ANII | Agencia Nacional de Investigación e Innovación

Creado en 2007, Plan Ceibal es un plan de inclusión e igualdad de oportunidades con el objetivo de apoyar con tecnología las políticas educativas uruguayas. A lo largo de estos años, y en el marco de sus cometidos, Ceibal cuenta con una importante cantidad de datos relativos a la utilización de tecnología en la educación, necesarios para gestionar el plan y cumplir con los cometidos legales asignados. Sin embargo, los datos no pueden ser estudiados sin dar cuenta del problema de de-identificar a los usuarios del Plan. Para explotar esos datos, Ceibal ha desplegado una instancia de Hortonworks Data Platform (HDP), una plataforma open source de almacenamiento y procesamiento paralelo de datos masivos (big data). HDP ofrece una amplia gama de componentes funcionales que van del almacenamiento de grandes archivos (HDFS) hasta la programación distribuida de algoritmos de aprendizaje automático (Apache Spark/MLlib). Sin embargo, al día de hoy no existen soluciones para la de-identificación de datos personales de código abierto e integradas en el ecosistema Hortonworks. Por un lado, las herramientas de de-identificación existentes no han sido diseñadas para que puedan escalar fácilmente a grandes volúmenes de datos, y tampoco ofrecen mecanismos de integración sencilla con HDFS. Esto obliga a exportar los datos fuera de la plataforma que los almacena para poder anonimizarlos, con el consiguiente riesgo de exposición de información confidencial. Por otro lado, las pocas soluciones integradas en el ecosistema Hortonworks son propietarias y el costo de sus licencias es muy significativo. El objetivo de este proyecto es generar herramientas de anonimización que extiendan la plataforma HDP. En particular, se busca desarrollar módulos de código abierto para integrar en dicha plataforma, que implementen un conjunto de técnicas y algoritmos de anonimización programados en forma distribuida utilizando Apache Spark y que puedan aplicarse a conjuntos de datos almacenados en archivos HDFS.

El objetivo de este proyecto fue propulsar la utilización de la enorme cantidad de datos educativos y tecnológicos que Ceibal posee, levantando uno de los mayores obstáculos que existen para eso, a saber, la preservación de la privacidad y la protección de los datos personales de los beneficiarios del Plan. Para eso se completó la plataforma Cloudera que Ceibal está desplegando, diseñando un módulo de código abierto para la anonimización de datos masivos que pueda ser ejecutado de forma paralela sobre un cluster de servidores. Esto implicó desarrollar implementaciones paralelas de algoritmos de anonimización en ese contexto tecnológico particular. El módulo implementado permitirá a Ceibal resolver de manera eficaz y eficiente el problema de la de-identificación de sus datos, simplificando el pre-procesamiento de los conjuntos de datos a proveer, y permitiendo ampliar el conjunto de datos que pueden ser utilizados de manera segura.