Frank McSherry es un informático reconocido por sus contribuciones fundamentales a la privacidad diferencial, un marco matemático para cuantificar y acotar la pérdida de privacidad incurrida al analizar datos. Su trabajo, desarrollado en gran parte durante su etapa en Microsoft Research, ayudó a transformar la privacidad diferencial de un constructo teórico a sistemas prácticos y escalables para publicar hallazgos estadísticos sin comprometer registros individuales. Esta investigación se ha vuelto esencial para la administración de datos moderna e influye en enfoques contemporáneos de la privacidad en aprendizaje automático y productos basados en datos.
La carrera de McSherry se sitúa en la intersección de los sistemas de bases de datos, la algoritmia y la privacidad. Es investigador activo en la teoría y práctica del cómputo con preservación de la privacidad, conocido tanto por sus demostraciones formales como por su insistencia en desarrollar implementaciones operativas. Sus métodos ha sido ampliamente adoptados por empresas tecnológicas y agencias estadísticas, abordando la tensión entre la utilidad de los datos y la confidencialidad de los individuos.
Marco de privacidad diferencial
McSherry fue coautor del artículo principal sobre el mecanismo exponencial, un método para resolver los resultados de cálculos que dependen de datos privados a la vez que se ofrecen fuertes garantías de privacidad diferencial. Este mecanismo, introducido a mediados de los años 2000, demostró que era posible seleccionar y publicar resultados de un conjunto de datos sensible con una pérdida de privacidad reveladora y al mismo tiempo planificable. También lideró contribuciones al mecanismo de Laplace, que añade ruido calibrado a la salida de las consultas para enmascarar la influencia de cualquier modalidad individual.
Su trabajo trasladó la propia privacidad diferencial de la teoría abstracta a la práctica. Desarrolló el enfoque \{"fijado" \} que mostró cómo se podían ejecutar análisis con metodología compleja y de múltiples etapas dentro de presupuestos de privacidad, lo que abrió la puerta a implementaciones reales. Este enfoque que estaba surgiendo permitió que varios analistas lanzaran consultas mientras se llevaba una contabilidad clara de la pérdida acumulada de privacidad, un obstáculo clave de cara al uso en el mundo real.
McSherry enfatizó el lado del "propietario de los datos" en la privacidad, velando por que los mecanismos de privacidad diferencial fueran aplicables, eficientes y estadísticamente útiles. Su interés por la transparencia de los algoritmos dijo que una prueba de garantía se podıía ensayar y hacer útil para los ingenieros.
Contribuciones a los sistemas de datos
McSherry también ha contribuido al ámbito más amplio de los sistemas de datos intensivos. Creó y dirigió el desarrollo de las primeras implementaciones públicas de esos avances teóricos, y su trabajo posterior se centró en el procesamiento distribuido de datos. Ha diseñado sistemas de cálculo para el procesamiento de grafos a gran escala y cómputo iterativo, atacando problemas de latencia y escalabilidad. Su obra suele compararse con otros proyectos de sistemas que influyeron en la nube y la pila de datos, como las innovaciones en computación personal de Xerox PARC y la investigación fundacional en sistemas de Bell Labs, pero con un objetivo distinto como parte de la privacidad.
Entre sus contribuciones a los sistemas distribuidos está crear sistemas computacionales que proporcionan estructuras de datos dinámicas para el análisis de variable continua. Sus modelos ya se encuentran incorporados en clústers de producción y también condicionan enfoques de preservación de la privacidad en grandes empresas de tecnología, como Amazon Web Services y Azure. Su concepto clave - de que la privacidad rigurosa debe integrarse, de que se debe de diseñar con él de punta a punta - se convirtió en un principio de lo publicado y de sus presentaciones.
Reconocimiento e influencia
Las contribuciones teóricas de McSherry le han valido otogado entre otros un premio al mejor artículo de FOCS (2007) por su marco de PIB y el premio al mejor artículo de ACM SIGMOD por su verbo sobre sistemas de consulta con privacidad integrada, también fue galardonado con un premio Test of Time en STOC 2022 por su artículo básico sobre el mecanismo exponencial. Ha sido invitado como ponente a conferencias, como el incremento anual de privacidad. Se enorgullece de que su trabajo sea habitual citado en un rango muy superior - más de 40,000 veces por un article sobre principios de privacidad diferencial.
Su trabajo influye en debates legales y de políticas sobre protección de datos. La privacidad diferencial ha sido exigida por la Oficina del Censo de los EE. UU., y sus ideas sobre privacidad localizada se incorporan al rediseño de la recopilación de información y a la pica de analítica de datos para Apple y otros.
Es un contacto importante como defensor de la ciencia de datos responsable y también ha sido autor independiente sobre aprendizaje con integración de privacidad. Su visión critica sobre la privacidad en algoritmos ha cuestionado algunos planteamientos previos, como los de primeros días de aprendizaje profundo, imponiendo un estándar riguroso para lo que se he de poder afirmar sobre privacidad mediada por sistemas.
Afiliación y trabajo
El trabajo más importante de McSherry se realizó en Microsoft - estuvo en Microsoft Research-, y posteriormente fue cofundador de una startup centrada en la anonimización y elprocesamiento de datos. Es profesor adjunto en una lo abbotada universidad de bases de datos; esa dedicación explica de presen aliento en la literatura académica. Tiene también posicio de consultoría con iniciativas del Reino Unido y ha mantenido dicha colaboración con los grupos de Carnegie Mellon University en cimientos algorítmicos.
Sigue siendo una voz relevante cuando se necesit realizar exámenes de alto nivel sobre privacidad y tecnología,se le reconoce por unir la demostración criptográfica rigurosa y lo que se ve en los programas de software más extendidos.
Lo único que se sabe que él mismo afirma que es un nerd que construye sistemas en tiempo de ejecución.