In deze casestudy onderzoeken we hoe we DAT Group, een bedrijf dat zich bezighoudt met een groot aantal autobeelden, hebben geholpen om de uitdagingen van de naleving van de AVG aan te pakken en persoonlijke gegevens efficiënt te anonimiseren. Door gebruik te maken van onze expertise op het gebied van deep learning, computervisie en geavanceerde technologieën, hebben we een oplossing op maat ontwikkeld. Dit zorgde ervoor dat de regelgeving inzake gegevensbescherming werd nageleefd, maar stelde onze klant ook in staat om het volledige potentieel van hun autobeelddatabases te ontsluiten voor verdere analytische toepassingen.
Context and Key Challenges
Onze opdrachtgever is DAT Group, een internationaal bedrijf actief in de automotive industrie. Al meer dan 90 jaar leveren ze dataproducten en -diensten in de automobielsector die gericht zijn op het mogelijk maken van een digitale voertuiglevenscyclus.
DAT Group is actief in een branche waar het gebruik van een enorme hoeveelheid autobeelden cruciaal is voor hun bedrijf. Deze afbeeldingen bevatten echter vaak persoonlijke gegevens, zoals gezichten, kentekenplaten en andere identificerende informatie. Met de introductie van GDPR-regelgeving werd anonimisering van historische en nieuwe beeldgegevens essentieel om zowel efficiëntie als naleving te garanderen.
Ze moesten een betrouwbare oplossing ontwikkelen die in staat was om een groot aantal autobeelden te anonimiseren en tegelijkertijd te voldoen aan de AVG-vereisten.
De belangrijkste uitdagingen waren:
- Anonimiseren van persoonsgegevens, zoals gezichten en kentekenplaten, in een groot aantal beelden van wagens.
- Zorgdragen voor naleving van de GDPR-regelgeving
- Implementatie van een efficiënt en betrouwbaar anonimiseringsproces
- Internationale samenwerking onderhouden met GDPR tag-free data
Onze Aanpak
Collaborative Solution Definition
We begonnen met het geven van workshops met het DAT-team om een goed begrip te krijgen van hun specifieke vereisten, de uitdagingen waarmee ze werden geconfronteerd en hun algemene doelen. Deze nauwe samenwerking en inzichten in processen rond het beheer van beelddatabases stelden ons in staat om een oplossing op maat te creëren die de naleving van de GDPR garandeert voor hun grote hoeveelheid autobeelden met persoonsgegevens.
Geavanceerde Car Detection and Mask Application
Met behulp van de geavanceerde YOLO V3-architectuur en de COCO-dataset hebben we een vooraf getraind model verfijnd dat auto’s nauwkeurig in afbeeldingen kan detecteren. Nadat de auto’s waren geïdentificeerd, pasten we vooraf getrainde maskers toe om verschillende delen van de auto te segmenteren, waardoor de gebieden met persoonlijke gegevens, zoals kentekenplaten, gezichten en documenten, werden geïsoleerd. Vervolgens hebben we verschillende opties voor anonimisering geboden, waaronder het toepassen van een wazig of grijsachtig/zwart effect om de persoonsgegevens effectief te verbergen. Dit proces omvatte ook het experimenteren met verschillende maskerconfiguraties om de beste resultaten voor elk beeldtype te bereiken.
Nauwkeurige Kentekenherkenning en Anonimisering
Om de uitdaging van het anonimiseren van kentekenplaten aan te gaan, hebben we het WPOD-NET-model gebruikt, dat bekend staat om zijn nauwkeurigheid bij het detecteren van kentekenplaten in afbeeldingen. Nadat we de platen hadden gedetecteerd, hebben we ze systematisch geanonimiseerd met behulp van geavanceerde technieken, waardoor volledige naleving van de AVG-regelgeving en de bescherming van persoonlijke informatie wordt gegarandeerd. Deze stap omvatte het verfijnen en optimaliseren van het plaatdetectieproces voor maximale effectiviteit bij verschillende lichtomstandigheden en beeldresoluties.
Integratie en Aanpassing van Multiple Deep Learning Models
Ons team heeft verschillende deep learning-modellen geïntegreerd en aangepast om een uitgebreide en robuuste oplossing te creëren die is afgestemd op de specifieke behoeften van onze klant. Het omvatte het verfijnen en optimaliseren van de modellen voor topprestaties, waardoor maximale effectiviteit bij het detecteren en anonimiseren van persoonlijke gegevens werd gegarandeerd. Daarnaast hebben we de modellen verfijnd op basis van DAT’s teamfeedback en real-world tests, waardoor de effectiviteit van de oplossing verder is verbeterd.
Modulaire Integratie, Kalibratie en Implementatie
We ontwikkelden een modulaire integratie van persoons- en kentekendetectie- en censureringsmodules, wat onze klant meer flexibiliteit en aanpassingsvermogen bood. Het model is zorgvuldig gekalibreerd en geëvalueerd op nauwkeurigheid en prestaties met behulp van een uitgebreide dataset van autobeelden. Na afstemming werd de oplossing geïmplementeerd als een Docker Container op Kubernetes, waardoor een naadloze integratie met de bestaande infrastructuur mogelijk werd en eenvoudig onderhoud en schaalbaarheid werden vergemakkelijkt. We hebben ook uitgebreide documentatie en trainingsmateriaal geleverd om ervoor te zorgen dat het DAT-team de oplossing effectief kon gebruiken.
Voordelen
Snelle implementatie van een up-and-running oplossing
Onze samenwerkingsaanpak en expertise in geavanceerde deep learning-modellen stelden ons in staat om een op maat gemaakte oplossing voor DAT Group te ontwikkelen en te implementeren. Hierdoor konden ze snel voldoen aan hun AVG-nalevingsvereisten en mogelijke juridische gevolgen vermijden, waardoor de bedrijfscontinuïteit werd gegarandeerd en hun reputatie werd beschermd.
Full GDPR Compliance
Onze uitgebreide oplossing anonimiseerde effectief alle persoonlijke gegevens in de autobeelden, waardoor volledige naleving van de AVG-regelgeving werd gegarandeerd. Deze naleving beschermde DAT Group niet alleen tegen mogelijke juridische problemen en boetes, maar toonde ook hun inzet voor gegevensprivacy en -beveiliging, waardoor het vertrouwen bij hun klanten en partners werd bevorderd.
Uitgebreide Business Opportunities
Met de GDPR-conforme beelddatabase zou DAT Group nieuwe factureerbare diensten kunnen aanbieden aan andere autogerelateerde klanten, zoals verzekeringsmaatschappijen of autofabrikanten, waardoor extra inkomstenstromen worden gecreëerd en hun marktbereik wordt vergroot.
Generation of GDPR-Tag Free Data voor Advanced Analytics
Door de persoonlijke gegevens in hun autobeelden te anonimiseren, heeft DAT Group een GDPR-tagvrije database opgezet die kan worden gebruikt voor verder analytisch gebruik. Dit opende nieuwe mogelijkheden om waardevolle inzichten uit de beeldgegevens te halen, wat leidde tot beter geïnformeerde besluitvorming, verbeterde producten en diensten en betere klantervaringen.
Verhoogde Efficiëntie en Schaalbaarheid
Onze modulaire aanpak voor het integreren van modules voor persoonsdetectie, nummerplaatdetectie en censurering, in combinatie met de implementatie als Docker Container op Kubernetes, zorgde voor een naadloze integratie met de bestaande IT-infrastructuur van DAT Group. Dit maakte het voor hun team gemakkelijker om de oplossing te onderhouden en naar behoefte te schalen, wat uiteindelijk leidde tot meer efficiëntie en kostenbesparingen.
Team Outfit
De succesvolle implementatie van dit project is mogelijk gemaakt door een team van toegewijde professionals die gedurende vier maanden nauw hebben samengewerkt met DAT Group. Het team bestond uit:
- Projectmanager: Verantwoordelijk voor het toezicht houden op het gehele project, zorgen voor effectieve communicatie tussen alle belanghebbenden en het project op schema en binnen het budget houden.
- Data Scientist: werkte samen met de Deep Learning Engineer om de deep learning-modellen te ontwikkelen en te verfijnen, terwijl ook de enorme hoeveelheden beeldgegevens werden geanalyseerd en verwerkt om het anonimiseringsproces te optimaliseren.
- Deep Learning Engineer: maakte gebruik van zijn expertise op het gebied van computervisie en deep learning-algoritmen om de deep learning-modellen die in het project worden gebruikt te ontwerpen, ontwikkelen en aanpassen, waardoor nauwkeurige en efficiënte anonimisering van de autobeelden wordt gegarandeerd.
Technologieën gebruikt voor dit project
Gedurende het hele project heeft ons team een reeks geavanceerde technologieën gebruikt om het best mogelijke resultaat voor DAT Group te garanderen. De belangrijkste technologieën die gebruikt werden:
- Python: de primaire programmeertaal die wordt gebruikt voor de ontwikkeling en implementatie van deep learning-modellen, gegevensverwerking en integratie van verschillende componenten.
- TensorFlow: een open-source machine learning-bibliotheek, gebruikt in combinatie met Keras, voor het bouwen, trainen en implementeren van deep learning-modellen voor anonimisering van autobeelden.
- Keras: een hoogwaardige neurale netwerk-API, geschreven in Python en uitgevoerd bovenop TensorFlow, die het ontwikkelingsproces stroomlijnde en een efficiënte aanpassing van de deep learning-modellen mogelijk maakte.
- Docker: een containerisatieplatform waarmee we de ontwikkelde modellen en softwarecomponenten konden verpakken in een lichtgewicht, draagbare container, wat zorgt voor eenvoudige implementatie en schaalbaarheid.
- Kubernetes: een platform voor containerorkestratie dat werd gebruikt om de implementatie, schaalvergroting en werking van de Docker-containers te beheren, waardoor een robuuste en efficiënte infrastructuur voor de anonimiseringsoplossing werd geboden.
Geschreven door
Author
