Co to jest on-premise processing?

On-premise processing - definicja

On-premise processing (częściej spotykana forma: on-premises processing; po polsku: przetwarzanie lokalne) to wykonywanie operacji na danych w infrastrukturze należącej do organizacji i przez nią kontrolowanej, bez ich trwałego przekazywania do publicznej chmury. W kontekście anonimizacji zdjęć i nagrań wideo oznacza to uruchamianie detekcji, klasyfikacji i maskowania wizerunku oraz tablic rejestracyjnych na serwerach lokalnych, często w sieciach odseparowanych od Internetu.

Podejście lokalne sprzyja realizacji zasady minimalizacji i integralności oraz poufności przetwarzania z art. 5 ust. 1 lit. c i f RODO oraz środków technicznych z art. 32 RODO. Redukuje powierzchnię transferów, upraszcza kontrolę dostępu i ułatwia spełnienie wymogów rezydencji danych.

Rola on-premise w anonimizacji obrazów i wideo

Anonimizacja materiałów wizualnych wymaga wykrycia obiektów wrażliwych i ich nieodwracalnego zniekształcenia. W praktyce stosuje się głębokie sieci neuronowe, które są trenowane na oznaczonych zbiorach danych, a następnie wykorzystywane do inferencji w procesie maskowania. Trening modeli zwykle odbywa się poza środowiskiem klienta, natomiast inferencja i cały łańcuch przetwarzania mogą być prowadzone on-premise, tak aby dane źródłowe nie opuszczały kontrolowanej infrastruktury.

W rozwiązaniach klasy Gallio PRO automatyczne zamazywanie dotyczy twarzy i tablic rejestracyjnych. System nie zamazuje całych sylwetek, nie prowadzi anonimizacji w czasie rzeczywistym ani anonimizacji strumieni wideo. Inne elementy obrazu, takie jak logotypy, tatuaże, identyfikatory czy treści ekranów, mogą być zamazywane manualnie w edytorze. Oprogramowanie nie gromadzi logów zawierających obrazy lub inne dane osobowe; w szczególności nie powinno utrwalać w logach operacyjnych metadanych pozwalających na identyfikację osób.

Technologie i architektura on-premise

Implementacja on-premise dla anonimizacji koncentruje się na spójnej architekturze obliczeń, przechowywania i bezpieczeństwa. Poniżej wskazano najczęstsze komponenty i praktyki wdrożeniowe.

• Warstwa obliczeniowa - serwery z GPU do inferencji modeli głębokiego uczenia; alternatywnie CPU z akceleracją SIMD. Konteneryzacja (np. Docker) i orkiestracja w środowiskach izolowanych.
• Warstwa danych - lokalne magazyny plików lub obiektowe z szyfrowaniem spoczynkowym (np. AES-256; dobór długości klucza i okresów jego użycia zgodnie z NIST SP 800-57) oraz kontrolą retencji i wersjonowaniem.
• Bezpieczeństwo transportu - TLS 1.2 lub 1.3 zgodnie z RFC 5246 i RFC 8446 dla ruchu wewnętrznego, z ograniczeniami dostępu sieciowego przez listy ACL i segmentację.
• Identyfikacja i dostęp - integracja z AD/LDAP, zasada najmniejszych uprawnień, separacja ról operatorów i administratorów.
• Cykl ML - odbiór podpisanych modeli do inferencji; walidacja integralności; kontrolowane aktualizacje offline; testy regresji jakości detekcji przed wdrożeniem.
• Ślad operacyjny - audyt działań administracyjnych bez gromadzenia zawartości obrazów ani metadanych identyfikujących osoby.

Kluczowe parametry i metryki (on-premise anonimizacja)

Ocena rozwiązania on-premise powinna uwzględniać zarówno jakość detekcji, jak i własności operacyjne. Poniższa tabela porządkuje kluczowe miary i sposób ich weryfikacji.

Wyzwania i ograniczenia

Model on-premise zwiększa kontrolę, ale przenosi na organizację pełną odpowiedzialność za utrzymanie i aktualizację. Poniżej główne ryzyka, które należy adresować procedurami i architekturą.

• Koszt kapitałowy i energetyczny infrastruktury oraz GPU.
• Zarządzanie aktualizacjami bezpieczeństwa i obrazów kontenerów w sieciach izolowanych.
• Skalowalność wsadowa przy dużych archiwach wideo i zróżnicowanych kodekach.
• Dryf modeli i konieczność okresowej walidacji jakości detekcji.
• Kontrola logów i telemetryki tak, aby nie utrwalać danych osobowych.
• Łańcuch dostaw modeli i bibliotek - weryfikacja podpisów i SBOM.

Przykłady zastosowań

On-premise jest preferowane tam, gdzie wymagana jest pełna kontrola przetwarzania i brak transferu do chmury. Typowe przypadki obejmują jednostki publiczne, służby porządkowe oraz firmy przemysłowe.

• Udostępnianie nagrań z monitoringu osobom trzecim po zamaskowaniu twarzy i tablic.
• Publikacja materiałów szkoleniowych z zakładów pracy z usuniętym wizerunkiem osób.
• Wewnętrzne analizy zdarzeń BHP z zachowaniem prywatności pracowników.
• Materiały dowodowe z koniecznością zachowania łańcucha posiadania i integralności.

Odniesienia normatywne i źródła

Poniższe dokumenty stanowią podstawę definicyjną i techniczną dla przetwarzania on-premise w kontekście ochrony danych oraz zabezpieczeń stosowanych podczas anonimizacji materiałów wizualnych.

Uwagi prawne: w wielu jurysdykcjach wizerunek i tablice rejestracyjne mogą stanowić dane osobowe w rozumieniu RODO. Szczegółowe obowiązki i wyjątki zależą od prawa krajowego i kontekstu publikacji.