Ο πολλαπλασιασμός της τεχνητής νοημοσύνης εγείρει μια σειρά από ανησυχίες για την προστασία της ιδιωτικής ζωής που οι άνθρωποι μπορεί να μην γνωρίζουν καν. Με άλλον
Οι κίνδυνοι μυστικότητας από την τεχνητή νοημοσύνη δεν περιορίζονται σε αυτούςλόγω της μαζικής συλλογής προσωπικών δεδομένων, αλλά και από τα ίδια τα μοντέλα βαθύ νευρωνικού δικτύου, τα οποία τροφοδοτούν το μεγαλύτερο μέρος της σημερινής τεχνητής νοημοσύνης. Τα δεδομένα είναι ευάλωτα όχι μόνο σε επιθέσεις βάσης δεδομένων, αλλά και σε "διαρροές" στα μοντέλα στα οποία εκπαιδεύτηκαν.
Βαθιά νευρωνικά δίκτυα, τα οποία είναιτο σύνολο αλγορίθμων για τον προσδιορισμό μοτίβων στα δεδομένα αποτελείται από πολλά επίπεδα Αυτά τα στρώματα περιέχουν μεγάλο αριθμό κόμβων που ονομάζονται νευρώνες, και οι νευρώνες από γειτονικά στρώματα αλληλοσυνδέονται με αυτούς. Κάθε κόμβος, καθώς και οι σύνδεσμοι μεταξύ τους, κωδικοποιούν ορισμένα κομμάτια πληροφοριών. Αυτά τα κομμάτια πληροφοριών δημιουργούνται όταν μια ειδική διαδικασία σαρώνει μεγάλες ποσότητες δεδομένων για να εκπαιδεύσει το μοντέλο.
Για παράδειγμα, μπορεί να είναι ένας αλγόριθμος αναγνώρισης προσώπουεκπαιδεύτηκε σε μια σειρά από selfies, ώστε να μπορεί να προβλέψει με μεγαλύτερη ακρίβεια το φύλο ενός ατόμου. Τέτοια μοντέλα είναι πολύ ακριβή, αλλά μπορούν επίσης να αποθηκεύσουν πάρα πολλές πληροφορίες - στην πραγματικότητα, να θυμούνται ορισμένα άτομα κατά τη διάρκεια της μαθησιακής διαδικασίας. Οι επιτιθέμενοι μπορούν να αναγνωρίσουν άτομα από δεδομένα κατάρτισης εξετάζοντας βαθιά νευρωνικά δίκτυα που ταξινομούν το φύλο σε ένα απεικονιζόμενο πρόσωπο.
Μία από τις μεθόδους προστασίας που ήρθεεμπειρογνώμονες μηχανικής μάθησης, υπήρξε μια προσθήκη αβεβαιότητας στο μοντέλο AI. Αυτό έγινε για να εμποδίσει τους εισβολείς να προβλέψουν ακριβώς τι θα έκανε το μοντέλο. Θα σαρώσει μια συγκεκριμένη ακολουθία δεδομένων; Ή θα ξεκινήσει ένα sandbox; Στην ιδανική περίπτωση, το κακόβουλο λογισμικό δεν θα γνωρίζει και θα εκθέσει ακούσια τα κίνητρά του.
Ένας άλλος τρόπος για να βελτιώσετε το απόρρητο της AI είναιεξερευνήστε τα τρωτά σημεία των βαθιών νευρωνικών δικτύων. Κανένας αλγόριθμος δεν είναι τέλειος και αυτά τα μοντέλα είναι ευάλωτα. Ο λόγος είναι ότι είναι πολύ ευαίσθητα σε μικρές αλλαγές στα δεδομένα που διαβάζουν.
Αυτά τα τρωτά σημεία μπορούν να χρησιμοποιηθούν σεβελτίωση του απορρήτου προσθέτοντας «θόρυβο» στα προσωπικά δεδομένα. Για παράδειγμα, ερευνητές στο Ινστιτούτο Πληροφορικής Planck στη Γερμανία έχουν αναπτύξει τρόπους μετατροπής των εικόνων Flickr σε λογισμικό αναγνώρισης προσώπου. Οι αλλαγές είναι απίστευτα λεπτές, τόσο που δεν μπορούν να εντοπιστούν από το ανθρώπινο μάτι.
Ένας άλλος τρόπος με τον οποίο η AI μπορεί να βοηθήσει στον μετριασμόπροβλήματα ασφάλειας πληροφοριών - διατηρήστε εμπιστευτικά τα δεδομένα κατά τη δημιουργία μοντέλων. Μια πολλά υποσχόμενη ανάπτυξη ονομάζεται ομοσπονδιακή μάθηση. Αυτό χρησιμοποιεί η Google στο έξυπνο πληκτρολόγιο Gboard για να προβλέψει ποια λέξη θα εισαχθεί στη συνέχεια. Η ομοσπονδιακή μάθηση δημιουργεί το απόλυτο βαθύ νευρωνικό δίκτυο από δεδομένα που είναι αποθηκευμένα σε πολλές διαφορετικές συσκευές και όχι από ένα κεντρικό χώρο αποθήκευσης δεδομένων. Το κύριο πλεονέκτημά του είναι ότι τα δεδομένα προέλευσης δεν αφήνουν ποτέ τοπικές συσκευές. Έτσι, η προστασία της ιδιωτικής ζωής εξακολουθεί να προστατεύεται σε κάποιο βαθμό. Ναι, αυτή δεν είναι η τέλεια λύση. Αν και οι τοπικές συσκευές κάνουν μερικούς υπολογισμούς, δεν τις ολοκληρώνουν. Τα ενδιάμεσα αποτελέσματα ενδέχεται να αποκαλύψουν ορισμένες πληροφορίες σχετικά με τη συσκευή και τον χρήστη της.
Η ομοσπονδιακή μάθηση παρέχει μια εικόνα γιαένα μέλλον στο οποίο η τεχνητή νοημοσύνη σέβεται περισσότερο το απόρρητο. Η συνεχής έρευνα μπορεί να βρει περισσότερους τρόπους με τους οποίους η τεχνητή νοημοσύνη γίνεται μέρος της λύσης παρά η πηγή ανησυχιών για το απόρρητο.
Διαβάστε επίσης
Δείτε ποια όργανα επιτίθεται πρώτα στον κοραναϊό και πώς συμβαίνει
Ποιος ήταν ο πρώτος οργανισμός στη Γη; Ξεχάστε ό, τι ξέρατε για την προέλευση της ζωής
Δείτε φωτογραφίες από την έκλειψη από όλο τον κόσμο