เมื่อบริษัทต่างๆ บอกว่าข้อมูลส่วนบุคคลได้รับการทำให้ไม่สามารถระบุตัวตนได้แล้ว ฟังดูเหมือนว่าข้อมูลระบุตัวตนออนไลน์จะถูกลบออกไปอย่างถาวร ข้อมูลจะกลายเป็นเพียงสัญญาณรบกวนในชุดข้อมูล ทำให้สามารถลดการเฝ้าระวังลงได้ แต่ความจริงแล้วไม่ได้เป็นเช่นนั้นเสียทีเดียว

ข้อมูลที่ทำให้ไม่สามารถระบุตัวตนได้คือข้อมูลที่ถูกตัวระบุบุคคลที่ชัดเจนที่สุดลบออกไป เช่น ชื่อหรือที่อยู่บ้าน แต่ในโลกที่เต็มไปด้วยฐานข้อมูลที่เชื่อมโยงถึงกัน การสะกดรอยตามใครบางคนอาจใช้เพียงรายละเอียดเล็กๆ น้อยๆ ที่ดูเหมือนจะไม่เกี่ยวข้องกันเลยเท่านั้น

งานวิจัย(หน้าต่างใหม่)แสดงให้เห็นว่าต้องการจุดข้อมูลเพียง 15 จุดเพื่อระบุตัวตนของผู้คนถึง 99.98% ในชุดข้อมูลที่มีจำนวนหลายล้าน และด้วยการที่ AI เชื่อมต่อจุดต่างๆ ในกิจกรรมออนไลน์ ช่องว่างระหว่าง “การไม่ระบุตัวตน” กับ “การระบุตัวตนได้” กำลังลดลงเรื่อยๆ

มาดูกันว่าการทำให้ข้อมูลไม่สามารถระบุตัวตนได้นั้นหมายถึงอะไร และสามารถทำอะไรได้บ้างเพื่อปกป้องความเป็นส่วนตัวให้ดียิ่งขึ้น

การทำให้ข้อมูลไม่สามารถระบุตัวตนได้คืออะไร?

การทำให้ข้อมูลไม่สามารถระบุตัวตนได้คือกระบวนการที่ย้อนกลับไม่ได้ในการลบออกทุกสิ่งที่สามารถระบุตัวตนได้จากจุดข้อมูล เช่น ชื่อ ที่อยู่อีเมล หมายเลขติดต่อ หรือวันเกิด โดยมีเป้าหมายเพื่อตัดลิงก์เชื่อมโยงระหว่างบันทึกกับบุคคลให้ได้มากที่สุด

อย่างไรก็ตาม หลังจากทำให้ไม่สามารถระบุตัวตนได้ ข้อมูลยังคงมีร่องรอยทางอ้อม เช่น ตำแหน่งโดยทั่วไป พฤติกรรมการท่องเว็บ และช่วงอายุ แม้ว่ารายละเอียดเหล่านี้แต่ละอย่างจะไม่มีอันตรายใดๆ แต่เมื่อนำมารวมกันทั้งหมด ก็จะเกิดเป็นรูปแบบที่ชี้มายังบุคคลนั้นได้

A diagram explaining how anonymization works

ข้อมูลบางประเภท เช่น ข้อมูลชีวมิติ นั้นยากเป็นพิเศษ (หรือแทบจะเป็นไปไม่ได้เลย) ที่จะทำให้ไม่สามารถระบุตัวตนได้อย่างแท้จริง แม้จะสร้าง ชื่อผู้ใช้ที่ปลอดภัย ได้ แต่ก็ไม่สามารถเปลี่ยนใบหน้า ลายนิ้วมือ หรือรูปแบบม่านตาของบุคคลได้

เมื่อข้อมูลได้รับการทำให้ไม่สามารถระบุตัวตนได้อย่างแท้จริง จะไม่ถือว่าเป็นข้อมูลส่วนบุคคลอีกต่อไปภายใต้กฎหมายความเป็นส่วนตัว เช่น GDPR ซึ่งหมายความว่าบริษัทต่างๆ อาจนำไปใช้ได้โดยไม่ต้องมีข้อกำหนดเรื่องความยินยอมและการคุ้มครองที่นำไปใช้กับข้อมูลส่วนบุคคล

แต่ ข้อพิจารณาที่ 26 ของ GDPR(หน้าต่างใหม่) ได้ตั้งเกณฑ์ไว้สูง โดยกำหนดว่าข้อมูลจะต้องไม่สามารถระบุตัวบุคคลได้อีกต่อไป แม้จะพิจารณาถึงข้อมูลและวิธีการอื่นๆ ที่อาจนำมาใช้เพื่อระบุตัวตนซ้ำได้อย่างสมเหตุสมผล ดังนั้น การลบออกชื่อหรือที่อยู่อีเมลจึงไม่เพียงพอ หากข้อมูลที่เหลืออยู่ยังคงชี้กลับไปยังบุคคลใดบุคคลหนึ่งได้

การทำให้ไม่สามารถระบุตัวตนได้กับการใช้ข้อมูลแฝง

ในขณะที่การทำให้ไม่สามารถระบุตัวตนได้จะลบข้อมูลที่ระบุตัวตนได้ออกไปอย่างถาวรเพื่อให้แน่ใจว่าจะไม่สามารถสืบย้อนกลับไปยังบุคคลได้ แต่การใช้ข้อมูลแฝงจะแทนที่ข้อมูลนั้นด้วยป้ายกำกับ โทเค็น หรือรหัส ข้อมูลระบุตัวตนดั้งเดิมจะถูกจัดเก็บแยกต่างหากในคีย์ที่ปลอดภัยหรือตารางสืบค้นข้อมูล แต่หากมีสิทธิ์เข้าถึงที่ถูกต้อง ป้ายกำกับนั้นจะสามารถลิงก์กลับไปยังบุคคลจริงๆ ได้

ตัวอย่างของการใช้ข้อมูลแฝงคือการวิจัยทางการแพทย์ ซึ่งชื่อของผู้ป่วยจะถูกแทนที่ด้วยรหัส ทำให้นักวิจัยยังคงสามารถติดตามข้อมูลได้ แต่เฉพาะบุคลากรที่ได้รับอนุญาตซึ่งมีคีย์เท่านั้นที่สามารถเชื่อมต่อข้อมูลกลับไปยังตัวบุคคลได้

ความแตกต่างนี้เรียบง่ายแต่มีความสำคัญ การใช้ข้อมูลแฝง ถือเป็น ข้อมูลส่วนบุคคลภายใต้ข้อบังคับต่างๆ เช่น GDPR เนื่องจากยังคงสามารถลิงก์กลับไปยังบุคคลได้ ในทางตรงกันข้าม ข้อมูลที่ทำให้ไม่สามารถระบุตัวตนได้จะอยู่นอกเหนือภาระผูกพันเหล่านั้น เฉพาะเมื่อการระบุตัวตนซ้ำไม่สามารถทำได้อย่างสมเหตุสมผลอีกต่อไป

เทคนิคทั่วไปในการทำให้ข้อมูลไม่สามารถระบุตัวตนได้

บริษัทต่างๆ ใช้วิธีกำหนดข้อมูลไม่ให้สามารถระบุตัวตนได้ที่แตกต่างกันออกไป ขึ้นอยู่กับแผนในการใช้ข้อมูล และนี่คือตัวอย่างวิธีการทั่วไป:

การปกปิดข้อมูล จะแทนที่ข้อมูลด้วยข้อมูลปลอม เช่น การสลับเปลี่ยนหมายเลขโทรศัพท์เป็นหมายเลขสมมติ

การทำให้ข้อมูลเป็นข้อมูลทั่วไป จะทำให้ข้อมูลมีความเฉพาะเจาะจงน้อยลง เช่น การใช้ช่วงอายุแทนอายุที่แท้จริง

การสลับเปลี่ยนข้อมูล จะสลับข้อมูลระหว่างบันทึกต่างๆ เพื่อไม่ให้ตรงกับบุคคลจริงอีกต่อไป

การดัดแปลงข้อมูล จะปิดบังรายละเอียดของบุคคลในขณะที่ยังคงรักษารูปแบบแนวโน้มของข้อมูลไว้ เช่น การแก้ไขข้อมูลด้วยการปัดเศษตัวเลข

ข้อมูลสังเคราะห์ อาศัยข้อมูลจำลองที่เลียนแบบรูปแบบของชุดข้อมูลเดิมโดยไม่ใช้ข้อมูลบันทึกจริงโดยตรง

เทคนิคเหล่านี้ช่วยลดความเสี่ยงด้านความเป็นส่วนตัวได้ แต่ประสิทธิภาพขึ้นอยู่กับการนำไปใช้อย่างเหมาะสมเป็นหลัก และถึงอย่างนั้น ก็อาจไม่สามารถลบออกทุกร่องรอยที่สามารถใช้ระบุตัวตนได้

บริษัทต่างๆ ใช้ข้อมูลที่ไม่สามารถระบุตัวตนได้เพื่ออะไร

ข้อมูลที่ไม่สามารถระบุตัวตนได้นั้นมีมูลค่าสูง เนื่องจากบริษัทต่างๆ สามารถนำไปใช้ในทางกฎหมายได้ตามต้องการโดยไม่ต้องขอความยินยอม ซึ่งการใช้งานทั่วไป ได้แก่:

การวิเคราะห์และการพัฒนา: บริษัทต่างๆ จะศึกษาพฤติกรรมของผู้ใช้เพื่อปรับปรุงผลิตภัณฑ์ วัดแนวโน้ม และนำทางในการตัดสินใจทางธุรกิจ

การโฆษณา: รูปแบบการท่องเว็บและการซื้อสินค้าสามารถนำมาใช้สร้างกลุ่มเป้าหมายสำหรับการโฆษณาแบบระบุเป้าหมายได้ แม้จะไม่มีการแนบชื่อไปด้วยก็ตาม

นายหน้าค้าข้อมูล: ข้อมูลบางส่วนจะถูกรวบรวม บรรจุ และนำไปขายต่อโดยนายหน้าค้าข้อมูล บริษัทเหล่านี้จะรวมข้อมูลจากแอป เว็บไซต์ บันทึกสาธารณะ ข้อมูลเครดิต และอื่นๆ เพื่อสร้างโปรไฟล์โดยละเอียดที่พร้อมขายให้กับผู้ที่ต้องการ โดยไม่มีการควบคุมดูแลทางกฎหมายมากนัก

การฝึกอบรมโมเดล AI: ชุดข้อมูลขนาดใหญ่มักถูกนำมาใช้เพื่อฝึกฝนระบบ AI รวมถึงข้อมูลที่ดึงมาจากกิจกรรมของผู้ใช้ ชุดข้อมูลที่จัดซื้อ และแหล่งข้อมูลสาธารณะหรือที่คัดลอกมา

การวิจัยทางการแพทย์: ในบางประเทศ(หน้าต่างใหม่) ข้อมูลทางการแพทย์ที่ไม่สามารถระบุตัวตนได้สามารถนำไปขายให้แก่บริษัทเภสัชกรรมหรือแชร์ให้กับนักวิจัยได้

ข้อมูลที่ไม่สามารถระบุตัวตนได้สามารถนำไปใช้ในทางที่ดีได้ เช่น การปรับปรุงบริการหรือการสนับสนุนการวิจัย แต่ปัญหาคือ ข้อมูลนี้สร้างแรงจูงใจทางการค้าที่รุนแรงให้นายหน้าค้าข้อมูลและผู้ลงโฆษณาทำการรวบรวม ผสมผสาน แชร์ บรรจุใหม่ และขายข้อมูลของผู้คน ซึ่งมักจะเป็นไปในทางที่ไม่เข้าใจอย่างถ่องแท้หรือไม่ได้ให้ความยินยอมอย่างแท้จริง และสำหรับผู้ที่ตัดสินใจในภายหลังว่าต้องการยกเลิก การลบออกข้อมูลก็ไม่ใช่เรื่องง่าย

หน่วยงานกำกับดูแลด้านความเป็นส่วนตัวของแคลิฟอร์เนียได้สร้างระบบ DROP(หน้าต่างใหม่) ขึ้นมา เนื่องจากในอดีต การลบข้อมูลออกจากนายหน้าค้าข้อมูลหลายร้อยรายเป็นเรื่องยากที่บุคคลจะจัดการได้ ซึ่งจะยิ่งยากขึ้นไปอีกสำหรับข้อมูลการฝึกอบรม AI เพราะเมื่อข้อมูลมีอิทธิพลต่อโมเดลที่ได้รับการฝึกไปแล้ว การลบออกข้อมูลอาจต้องใช้เทคนิคการลืมของเครื่อง(หน้าต่างใหม่) ซึ่งบริษัท AI ทั้งหลายไม่ค่อยอยากจะทำกันนัก(หน้าต่างใหม่)

การระบุตัวตนซ้ำจากข้อมูล หรือทำไมข้อมูลที่ไม่สามารถระบุตัวตนได้จึงไม่ใช่การไม่ระบุตัวตนอย่างแท้จริง

หากมีคนบอกว่ากำลังมองหาผู้ชายวัย 30 กว่าๆ ที่ขับรถสีขาวและอาศัยอยู่ในละแวกบ้าน ก็อาจจะมีคำตอบในใจแล้วว่าหมายถึงใคร แม้ว่ารายละเอียดเหล่านั้นแต่ละข้อจะไม่สามารถระบุตัวบุคคลแยกกันได้ แต่เมื่อนำมารวมกัน จะช่วยตีกรอบให้แคบลงได้โดยการคัดคนอื่นๆ ออกทั้งหมด ข้อมูลที่ทำให้ไม่สามารถระบุตัวตนได้ก็ทำงานในลักษณะเดียวกัน นั่นคือ แม้ว่าชื่อและรายละเอียดผู้ติดต่อจะถูกลบออกไปแล้ว แต่ข้อมูลที่เหลืออยู่ก็ยังคงเปิดเผยตัวตนได้เมื่อมีการนำรายละเอียดจำนวนมากมารวมกัน

เมื่อนำรูปแบบเหล่านี้ไปตรวจสอบเปรียบเทียบกับแหล่งข้อมูลอื่นๆ เช่น โซเชียลมีเดียหรือบันทึกสาธารณะ ก็จะสามารถเชื่อมต่อข้อมูลที่เข้าใจว่าไม่ระบุตัวตนกลับไปยังตัวบุคคลได้ ซึ่งสิ่งนี้เรียกว่าการระบุตัวตนซ้ำ และมักจะง่ายกว่าที่คิด

A diagram explaining how reidentification works

นักวิจัย Latanya Sweeney ซื้อชุดข้อมูลโรงพยาบาล(หน้าต่างใหม่)ในราคา 50 ดอลลาร์ ซึ่งมีตัวระบุทางอ้อม เช่น ข้อมูลประชากร การวินิจฉัยโรค และรายละเอียดการเรียกเก็บเงิน โดยไม่มีรายละเอียดที่เปิดเผยตัวตน เช่น ชื่อ และด้วยการนำข้อมูลนี้ไปเปรียบเทียบกับข่าวท้องถิ่นเกี่ยวกับการเข้ารักษาตัวในโรงพยาบาล เธอสามารถจับคู่ผู้ป่วยได้ถึง 43% กับบันทึกข้อมูล รวมถึงประวัติการรักษาทั้งหมดของผู้ป่วยรายหนึ่งที่ประสบอุบัติเหตุรถจักรยานยนต์ล้มตามรายงานข่าว

AI ทำให้การย้อนกลับไประบุตัวตนทำได้รวดเร็วและมีค่าใช้จ่ายน้อยลง

หากการป้องกันเพียงอย่างเดียวต่อการระบุตัวตนซ้ำจากข้อมูลที่ไม่ระบุตัวตนคือเวลา ความอดทน และการตรวจสอบเปรียบเทียบด้วยตนเอง การป้องกันชั่วคราวนั้นก็กำลังถูกทำลายลงด้วย AI

งานวิจัยแสดงให้เห็นว่าโมเดลภาษาขนาดใหญ่ (LLM) สามารถวิเคราะห์โพสต์ของใครบางคนข้ามแพลตฟอร์ม ตรวจสอบเปรียบเทียบข้อมูลสาธารณะ และระบุตัวตนผู้ใช้ที่ไม่เปิดเผยชื่อได้อย่างแม่นยำอย่างยิ่ง ในการศึกษาเกี่ยวกับการย้อนกลับไประบุตัวตนในวงกว้าง(หน้าต่างใหม่) วิธีการที่ใช้ LLM สามารถระบุตัวตนของผู้คนได้มากถึง 68% และเมื่อทำการจับคู่ ก็มีความถูกต้องถึง 90% ของจำนวนครั้งทั้งหมด

Sweeney จ่ายเงินเพียง 50 ดอลลาร์สำหรับชุดข้อมูลที่มีบันทึกหลักแสนรายการ แต่ในปัจจุบัน LLM สามารถระบุตัวตนจากโปรไฟล์ได้ในราคาเพียง 1-4 ดอลลาร์ต่อโปรไฟล์ และทำงานได้โดยอัตโนมัติ นอกจากนี้ ยังไม่จำเป็นต้องใช้ชุดข้อมูลที่สะอาดและมีโครงสร้าง และสามารถตรวจพบรูปแบบในโพสต์และความคิดเห็นทั่วไปได้อีกด้วย

ดังที่นักวิจัยคนหนึ่งได้กล่าวไว้:

“ลองถามตัวเองว่า ทีมผู้สืบสวนที่ชาญฉลาดจะสามารถค้นหาได้หรือไม่ว่าตนเองเป็นใครจากโพสต์ที่เผยแพร่? หากใช่ ตัวแทน LLM ก็อาจจะทำได้เช่นกัน และค่าใช้จ่ายในการทำเช่นนั้นก็มีแต่จะลดลง”

ปกป้องความเป็นส่วนตัวด้วยการย่อขนาดและการเข้ารหัสข้อมูล

การทำให้ข้อมูลไม่สามารถระบุตัวตนได้นั้นไม่เพียงพอ เนื่องจากสามารถเกิดการระบุตัวตนซ้ำได้เมื่อจุดต่างๆ เชื่อมต่อถึงกัน วิธีที่ดีที่สุดในการปกป้องความเป็นส่วนตัวคือการย่อขนาดรอยเท้าดิจิทัลลง เพื่อทำให้ยากต่อการระบุตัวตนซ้ำ

ไม่จำเป็นต้องตัดขาดจากโลกภายนอก แต่ควรไตร่ตรองให้มากขึ้นว่าจะแชร์อะไรและอย่างไร และนี่คือคำแนะนำที่นำไปใช้ได้จริงบางส่วน:

แยกส่วนข้อมูลระบุตัวตนเพื่อป้องกันการตรวจสอบเปรียบเทียบข้อมูล

เมื่อใช้อีเมลและชื่อผู้ใช้เดียวกันในทุกแพลตฟอร์ม รายละเอียดต่างๆ จะถูกรวบรวมเข้าด้วยกันได้ง่าย แม้ว่าการสร้างชื่อผู้ใช้ที่แตกต่างกันสำหรับบัญชีต่างๆ จะเป็นเรื่องง่าย แต่การใช้ที่อยู่อีเมลที่ไม่ซ้ำกันสำหรับทุกอย่างอาจเป็นเรื่องที่ยุ่งยากมาก เว้นแต่จะใช้นามแฝงอีเมล

นามแฝงจะสร้างที่อยู่แยกต่างหากที่ส่งต่อข้อความไปยังกล่องขาเข้าหลักโดยไม่เปิดเผยที่อยู่อีเมลและข้อมูลระบุตัวตนจริง หากใช้นามแฝงอีเมลที่ไม่ซ้ำกันสำหรับแต่ละบริการ ก็จะสามารถตรวจสอบได้ว่าการรั่วไหลหรือการขายข้อมูลนั้นมาจากที่ใด

ตัวอย่างเช่น หากสร้างนามแฝงเดียวสำหรับบริษัท A เท่านั้น และได้รับอีเมลส่งถึงนามแฝงนั้นจากบริษัท B ในภายหลัง ก็จะทราบได้ทันทีว่าบริษัท A แชร์ ขาย รั่วไหล หรือสูญเสียการควบคุมที่อยู่ไป จากนั้นจึงสามารถปิดใช้งานนามแฝงนั้นได้โดยไม่ส่งผลกระทบต่อกล่องขาเข้าหลักหรือนามแฝงอื่นๆ

ทำตัวไม่สม่ำเสมอเพื่อป้องกันการเกิดรูปแบบที่สามารถระบุตัวตนได้

ยิ่งรายละเอียดมีความสอดคล้องกันข้ามแพลตฟอร์มมากเท่าใด การสร้างโปรไฟล์เฉพาะบุคคลรอบตัวบุคคลนั้นก็ยิ่งง่ายขึ้นเท่านั้น หากเป็นไปได้ ควรหลีกเลี่ยงการให้ข้อมูลมากเกินความจำเป็น

ตัวอย่างเช่น ใช้ตำแหน่งโดยทั่วไปแทนเมืองที่ระบุแน่ชัด ปัดเศษอายุ และข้ามช่องข้อมูลที่ไม่บังคับ นอกจากนี้ ควรพิจารณาปรับเปลี่ยนรูปแบบการเขียนเล็กๆ น้อยๆ เช่น วลีที่ใช้ซ้ำ เครื่องหมายวรรคตอน หรือคำสะกดผิดที่พบบ่อย เพื่อจำกัดการระบุตัวตนโดยระบบอัตโนมัติ

จำกัดรอยเท้าดิจิทัลเพื่อป้องกันการวิเคราะห์โดย AI

LLM สามารถระบุตัวบุคคลได้โดยการค้นหารูปแบบในโพสต์และการเขียน ยิ่งมีเนื้อหาสาธารณะที่เชื่อมโยงกับข้อมูลระบุตัวตนน้อยเท่าใด ก็ยิ่งมีข้อมูลให้ระบบประมวลผลน้อยลงเท่านั้น ควรพิจารณาถึงรายละเอียดส่วนบุคคลที่เปิดเผยเมื่อโพสต์ ซึ่งไม่ใช่แค่ข้อเท็จจริง แต่ยังรวมถึงพฤติกรรม ความคิดเห็น และหัวข้อที่พูดถึงบ่อยๆ ที่ทำให้มีความโดดเด่น และต้องไม่ลืมที่จะปฏิเสธการเข้าร่วมรับการฝึกอบรม AI บนแพลตฟอร์มต่างๆ ให้มากที่สุดเท่าที่จะทำได้

ใช้บริการที่เข้ารหัสลับจากต้นทางถึงปลายทางเพื่อป้องกันการรวบรวมข้อมูล

การเข้ารหัสลับไม่เพียงแต่ปกป้องข้อมูลจากแฮกเกอร์เท่านั้น แต่ยังจำกัดสิ่งที่จะถูกอ่านตั้งแต่แรกอีกด้วย ผู้ให้บริการอีเมลที่ไม่สามารถอ่านข้อความได้ จะไม่สามารถสแกนข้อความเพื่อการโฆษณา นำไปใช้ในการฝึกฝน AI หรือแชร์ข้อมูลเชิงลึกกับนายหน้าซื้อขายข้อมูลได้

ใช้อีเมลที่เข้ารหัสลับจากต้นทางถึงปลายทางสำหรับการสื่อสารส่วนตัว ใช้พื้นที่จัดเก็บข้อมูลคลาวด์ที่ปลอดภัยเพื่อจัดเก็บและแชร์ไฟล์อย่างปลอดภัย และใช้ VPN(หน้าต่างใหม่) ที่ไม่มีการบันทึกข้อมูลเพื่อเข้ารหัสกิจกรรมการท่องเว็บ ซึ่งทั้งหมดนี้จะช่วยลดปริมาณข้อมูลที่อาจถูกเปิดเผยโดยไม่เต็มใจ

ปฏิเสธการรวบรวมข้อมูลเพื่อป้องกันตนเองจากนายหน้าซื้อขายข้อมูล

สามารถลบข้อมูลส่วนบุคคลออกจากอินเทอร์เน็ตได้ แม้กระทั่งจากนายหน้าค้าข้อมูล แต่ต้องอาศัยความพยายามอย่างต่อเนื่อง แม้จะไม่สามารถหยุดการรวบรวมข้อมูลในอนาคตได้ แต่จะช่วยให้เริ่มใหม่ได้อย่างหมดจด ในอนาคต การย่อขนาดรอยเท้าดิจิทัลและการเข้ารหัสข้อมูลในทุกที่ที่ทำได้ จะช่วยจำกัดปริมาณข้อมูลที่ถูกรวบรวมได้

A diagram explaining how to make yourself more anonymous

การทำให้ข้อมูลไม่สามารถระบุตัวตนได้ไม่ใช่การรับประกันความเป็นส่วนตัว

ข้อสรุปที่สำคัญคือ “ข้อมูลที่ไม่สามารถระบุตัวตนได้” ไม่ได้หมายความว่าจะปลอดภัย ถาวร หรือไม่สามารถสืบย้อนกลับได้เสมอไป ยิ่งแชร์ข้อมูลส่วนบุคคลน้อยลง มีความสอดคล้องกันข้ามแพลตฟอร์มน้อยลง และสามารถควบคุมบัญชีและนามแฝงได้มากขึ้นเท่าใด ก็จะยิ่งมีร่องรอยให้ลิงก์กลับไปหาน้อยลงเท่านั้น

ข้อมูลอาจได้รับการทำให้ไม่สามารถระบุตัวตนได้ในทางทฤษฎี แต่การป้องกันที่แข็งแกร่งที่สุดเริ่มต้นขึ้นก่อนหน้านั้น คือการเลือกว่าจะแชร์อะไรและที่ไหน และการเชื่อมต่อข้อมูลกับชีวิตดิจิทัลส่วนอื่นๆ นั้นทำได้ง่ายเพียงใด นอกจากนี้ยังหมายถึงการใส่ใจในบริการที่ใช้งานทุกวัน รวมถึงบริษัทที่เป็นเจ้าของบริการเหล่านั้นด้วย

แอป Proton เป็นแบบโอเพนซอร์ส ไม่มีโฆษณา และได้รับการออกแบบมาเพื่อหลีกเลี่ยงการติดตามและการฝึกอบรม AI กับข้อมูลใดๆ ด้วยการเข้ารหัสลับจากต้นทางถึงปลายทาง การเข้ารหัสลับแบบไม่มีการเข้าถึง และรูปแบบธุรกิจที่ได้รับเงินทุนสนับสนุนจากชุมชนผู้สมัครสมาชิกที่ชำระค่าบริการโดยเฉพาะ จึงไม่มีความจำเป็นต้องหาผลประโยชน์จากข้อมูล ไม่สามารถอ่านข้อมูลส่วนใหญ่ได้ และไม่ประสงค์ที่จะทำเช่นนั้นด้วย