Die Verbreitung von KI wirft eine Reihe von Datenschutzbedenken auf, die den Menschen möglicherweise nicht einmal bewusst sind. Mit einem anderen
Die Risiken der Geheimhaltung durch KI sind nicht beschränkt aufaufgrund der massiven Sammlung personenbezogener Daten, aber auch der tiefen neuronalen Netzwerkmodelle selbst, die den größten Teil der heutigen künstlichen Intelligenz antreiben. Daten sind nicht nur anfällig für Datenbankangriffe, sondern auch für "Lecks" in den Modellen, auf denen sie trainiert wurden.
Tiefe neuronale Netze, die sindDer Satz von Algorithmen zum Identifizieren von Mustern in Daten besteht aus vielen Schichten. Diese Schichten enthalten eine große Anzahl von Knoten, die als Neuronen bezeichnet werden, und Neuronen aus benachbarten Schichten sind mit ihnen verbunden. Jeder Knoten sowie die Verknüpfungen zwischen ihnen codieren bestimmte Informationsbits. Diese Informationen werden erstellt, wenn ein spezieller Prozess große Datenmengen scannt, um das Modell zu trainieren.
Zum Beispiel könnte ein Gesichtserkennungsalgorithmus seintrainiert auf einer Reihe von Selfies, damit er das Geschlecht einer Person genauer vorhersagen kann. Solche Modelle sind sehr genau, können aber auch zu viele Informationen speichern - tatsächlich können sie sich während des Lernprozesses an bestimmte Personen erinnern. Angreifer können Personen anhand von Trainingsdaten identifizieren, indem sie tiefe neuronale Netze untersuchen, die das Geschlecht auf einem abgebildeten Gesicht klassifizieren.
Eine der Schutzmethoden, die entwickelt wurdenExperten für maschinelles Lernen fügten dem KI-Modell Unsicherheit hinzu. Dies wurde durchgeführt, um zu verhindern, dass Angreifer genau vorhersagen, was das Modell tun würde. Wird eine bestimmte Datenfolge gescannt? Oder wird er einen Sandkasten starten? Im Idealfall kennt Malware ihre Motive nicht und enthüllt sie unabsichtlich.
Eine weitere Möglichkeit, die KI-Privatsphäre zu verbessern, istErforschen Sie die Schwachstellen tiefer neuronaler Netze. Kein Algorithmus ist perfekt und diese Modelle sind anfällig. Der Grund dafür ist, dass sie sehr empfindlich auf kleine Änderungen in den von ihnen gelesenen Daten reagieren.
Diese Schwachstellen können ausgenutzt werdenVerbesserung der Privatsphäre durch Hinzufügen von „Rauschen“ zu personenbezogenen Daten. Beispielsweise haben Forscher am Planck-Institut für Informatik in Deutschland Möglichkeiten entwickelt, Flickr-Bilder in Gesichtserkennungssoftware umzuwandeln. Die Veränderungen sind unglaublich subtil, so sehr, dass sie vom menschlichen Auge nicht erkannt werden können.
Eine andere Möglichkeit, mit der KI Abhilfe schaffen kannInformationssicherheitsprobleme - Daten beim Erstellen von Modellen vertraulich behandeln. Eine vielversprechende Entwicklung heißt Föderiertes Lernen. Dies ist, was Google in seiner Gboard-Smart-Tastatur verwendet, um vorherzusagen, welches Wort als nächstes eingegeben werden soll. Federated Learning baut das ultimative tiefe neuronale Netzwerk aus Daten auf, die auf vielen verschiedenen Geräten gespeichert sind, und nicht aus einem zentralen Datenspeicher. Der Hauptvorteil besteht darin, dass die Quelldaten niemals lokale Geräte verlassen. Somit ist die Privatsphäre bis zu einem gewissen Grad geschützt. Ja, das ist keine perfekte Lösung. Obwohl die lokalen Geräte einige Berechnungen durchführen, führen sie diese nicht aus. Zwischenergebnisse können einige Informationen über das Gerät und seinen Benutzer enthalten.
Föderiertes Lernen bietet Einblicke ineine Zukunft, in der KI mehr Respekt vor der Privatsphäre hat. Fortgesetzte Forschung könnte weitere Möglichkeiten finden, wie KI Teil der Lösung wird und nicht zur Quelle von Datenschutzbedenken wird.
Lesen Sie auch
Sehen Sie, welche Organe das Coronavirus zuerst angreift und wie es passiert
Wer war der erste Organismus auf der Erde? Vergiss alles, was du über den Ursprung des Lebens wusstest
Sehen Sie Fotos der Sonnenfinsternis aus der ganzen Welt