プライバシー強化技術 (PETs) とは？ 秘匿計算や差分プライバシーの概要

データ活用とプライバシー保護のジレンマ

現代のAI（人工知能）開発や医療データの分析、金融の不正検知などにおいて、大量のデータは不可欠な資源です。しかし、そこには常に「個人のプライバシー侵害」という深刻なリスクが伴います。 「データを詳細に分析して価値を生み出したい」という要求と、「個人のプライバシーを厳格に保護しなければならない」という要求は、一見すると矛盾（トレードオフ）するように思えます。

このジレンマを、高度な数学と暗号理論によって解決しようとする革新的なテクノロジー群の総称が、**「プライバシー強化技術（PETs: Privacy-Enhancing Technologies）」**です。 欧米の政府機関や国連、さらにはGoogleやAppleなどの巨大IT企業が、次世代のデータ社会のインフラとして巨額の投資と研究を行っています。

代表的な PETs のアプローチ

PETs には様々な手法が含まれますが、ここではビジネスや研究分野で特に注目されている代表的な3つの技術を紹介します。

1. 差分プライバシー (Differential Privacy)

「大量のデータを統計として分析したいが、その結果から『特定の個人のデータが含まれているかどうか』を絶対に逆算されたくない」場合に用いられる技術です。

• 仕組み: 元のデータベース、または分析結果のデータに、数学的に計算された「意図的なノイズ（ノイズ）」をわずかに混入させます。
• 活用例: Appleは、iPhoneユーザーのキーボードの入力予測精度を向上させるため、ユーザーがどんな単語を打ったかのデータを収集していますが、この差分プライバシーを適用することで、「全体としてどんな単語が流行っているか」は学習しつつ、「Aさんが個人的に打った単語」は絶対にAppleにもわからない仕組みを実現しています。

2. 秘密計算 (Secure Multi-Party Computation / 準同型暗号)

通常、暗号化されたデータ（例えばZIPのパスワード付きファイル）は、一度復号（パスワードを入れて解読）しなければ中身を計算したり分析したりできません。この「復号した瞬間」がハッカーに狙われる弱点となります。 秘密計算は、「データを暗号化したままの状態」で、足し算や掛け算などの計算を行うことができる夢のような技術です。

• 活用例: 複数の銀行が、「顧客の口座情報や個人情報を互いに一切見せ合うことなく（暗号化したまま持ち寄り）、共通のデータベース上で振り込め詐欺グループの不審な口座ネットワークを検知する」といった、企業間での安全なデータ連携が可能になります。

3. フェデレーテッド・ラーニング (Federated Learning: 連合学習)

AIの機械学習において、従来はユーザーのスマホやPCにある写真などのデータを、企業の巨大な中央サーバーに集めてから学習させていました。これではプライバシーの懸念が残ります。

• 仕組み: データを中央サーバーに送るのではなく、「AIのモデル（プログラム）」の方を各ユーザーのスマホに送信します。 各スマホの中で学習を行い、賢くなった「学習結果（パラメータの更新情報）」だけを中央サーバーに送り返して統合します。
• 活用例: Googleのキーボードアプリ「Gboard」などで、ユーザーの入力履歴（プライベートな文章）をサーバーに送信することなく、AIの予測変換モデルを全体として進化させるために使われています。

PETsの普及は、これからの「安全で倫理的なデータ社会」を構築するための最大の鍵となるでしょう。