Når AI-modeller udfører probabilistisk analyse, leder de efter subtile korrelationer, der kan bryde pseudonymiseringen. For at imødegå dette benytter man ofte Differential Privacy (DP). Her tilføjer man matematisk kalkuleret støj til datasættet. Støjen er præcis nok til, at de statistiske tendenser bevares, men den gør det umuligt for en algoritme at afgøre, om en specifik person indgår i datasættet eller ej. Det bryder den direkte forbindelse mellem input og output.
En anden metode er syntetisk datagenerering. I stedet for at bruge de faktiske Medicare-records, træner man en generativ model (f.eks. en GAN) til at skabe helt nye, kunstige datapunkter. Disse datapunkter ligner virkeligheden statistisk set, men de tilhører ingen rigtige borgere. Det fjerner risikoen for reidentificering, da der ikke findes nogen underliggende person at pege på.
Vi ser også anvendelsen af k-anonymitet og l-diversitet. Disse teknikker grupperer data, så enhver profil i datasættet er uadskillelig fra mindst $k-1$ andre individer. Ved at generalisere værdier, som f.eks. alder eller postnummer, reducerer man præcisionen i de variabler, som AI-agenter typisk udnytter til at bygge sandsynlighedsprofiler. Det gør det sværere for maskinen at ramme plet.
