הרשות להגנת הפרטיות פרסמה מדריך ליישום טכנולוגיות מגבירות-פרטיות (Privacy-Enhancing Technologies, או PETs) במערכות בינה מלאכותית. המסמך, בן 22 עמודים, ממפה שמונה טכניקות לפי השלב שבו המידע האישי חשוף, ופונה במפורש גם לממוני הגנת פרטיות וליועצים משפטיים, לא רק למהנדסים.
המדריך עלה לאתר הרשות עם תאריך פרסום 31 בדצמבר 2025, ומסווג באתר כמסמך מסוג "מידע", כלומר לא הנחיה מחייבת. הרשות מציינת שהוא נכתב במסגרת הקמת תחום טכנולוגיות חדש בתוכה, ומזמינה התייחסויות לכתובת ייעודית של התחום.
ארבעה מקומות שבהם המידע האישי חשוף
נקודת המוצא של המסמך היא שמידע אישי במערכת AI לא נמצא רק בקובץ האימון. הוא מבחין בין ארבעה תחומים: קלט האימון, המודל המאומן עצמו (שממנו לעיתים אפשר לשחזר מידע, למשל בהתקפת Model Inversion), הקלט שמשתמשים מזינים בזמן השימוש, והפלט שהמערכת מפיקה.
ההגדרות המשפטיות במדריך נשענות על החקיקה הישראלית. "מערכת בינה מלאכותית" מוגדרת לפי טיוטת ההנחיה של הרשות מאפריל 2025 בעניין תחולת חוק הגנת הפרטיות על מערכות AI, ו"עיבוד" ו"מידע אישי" מוגדרים לפי סעיף 3 לתיקון מס' 13 לחוק הגנת הפרטיות, התשמ"א-1981. המדריך מפנה גם לטיוטת גילוי הדעת על מינוי ממונה הגנת פרטיות לפי תיקון 13, שפורסמה להערות הציבור.
שלוש משפחות של פתרונות
הטכנולוגיות מחולקות לשלוש קבוצות לפי עקרון הפעולה:
- שינוי המידע: התממה (למשל הצגת טווח גילאים 40 עד 49 במקום גיל 47), מידע סינתטי, ופרטיות דיפרנציאלית, שמגבילה את ההשפעה של כל רשומה בודדת על המודל. המחיר, לפי המסמך, הוא אובדן מסוים של דיוק.
- חישוב מבוזר: Federated Learning (אימון מקומי במכשיר או בשרת, ורק עדכוני המודל נשלחים למרכז), חישוב רב-משתתפים, והצלבת מערכי מידע (Private Set Intersection). הדוגמה במסמך: משרד הרווחה בודק מול משרד התיירות שהייה ממושכת בחו"ל של זכאי קצבה, בלי להעביר את רשימת כל הזכאים.
- הפרדה והצפנה: הצפנה הומומורפית, שמאפשרת חישוב על מידע מוצפן בלי לפענח אותו, וסביבת ביצוע מהימנה (Trusted Execution Environment).
המסמך כולל טבלה שממפה כל טכנולוגיה לארבעת תחומי החשיפה, ומסמן היכן הישימות מוגבלת. הוא גם מסייג את Federated Learning: המידע הגולמי לא עוזב את המכשיר, אבל הוא עדיין משמש לאימון, והמודל עלול להפיק אותו בפלט.
שילובים ודוגמאות מהעולם
פרק נפרד מציג שילובים, למשל פרטיות דיפרנציאלית בתוך סביבת ביצוע מהימנה. הדוגמה: משרד הבריאות מנתח מגמות צריכת תרופות מנתוני כמה קופות חולים, כשכל קופה מחשבת ומוסיפה רעש בתוך סביבה מבודדת ושולחת רק סיכום. דוגמה אחרת משלבת הצלבת מערכי מידע עם מידע סינתטי, לטובת רגולטור פיננסי שבוחן לווים משותפים לכמה בנקים.
בסוף המדריך יש ריכוז של מקרי שימוש מחו"ל, בהם Statistics Canada (סיווג טקסט על מידע מוצפן, 2021) ו-Statistics Netherlands (חיזוי סיכון קרדיווסקולרי מנתונים מבוזרים, 2020). המקורות שעליהם הוא נשען כוללים מדריך PETs כללי שהרשות פרסמה בפברואר 2025, נייר של ה-OECD מיוני 2025, ומאגרי מקרי שימוש של ממשלת בריטניה ושל צוות משימה של האו"ם.
מה זה אומר למי שמייעץ
המדריך לא מטיל חובות חדשות, והוא אומר זאת בעצמו: הדוגמאות הן המחשה בלבד, והמסמך אינו מחליף התייעצות עם מומחים בבחירת ארכיטקטורה. ובכל זאת, הוא נותן ליועץ המשפטי ולממונה הגנת הפרטיות שפה משותפת עם צוות הפיתוח. כשלקוח מתכנן לאמן מודל על נתוני לקוחות, או לחבר כלי AI למאגר רגיש, אפשר עכשיו להפנות למסמך רשמי של הרגולטור שמפרט אילו כלים טכנולוגיים קיימים לצמצום הסיכון, ובאיזה שלב כל אחד מהם רלוונטי.