Tekoälyn leviäminen herättää useita yksityisyyttä koskevia huolenaiheita, joista ihmiset eivät ehkä ole edes tietoisia. Toisen kanssa
AI: n salaisuusriskit eivät rajoitujohtuen valtavasta henkilötietojen keruusta, mutta myös itse syvähermosverkkomalleista, jotka tarjoavat suuren osan nykypäivän tekoälystä. Tiedot ovat alttiita tietokantahyökkäyksille ja myös "vuotoille" malleissa, joille ne koulutettiin.
Syvät hermoverkot, jotka ovatAlgoritmit joukkojen kuvioiden tunnistamiseksi koostuvat monista kerroksista. Nämä kerrokset sisältävät suuren määrän solmuja, joita kutsutaan neuroneiksi, ja vierekkäisten kerrosten neuronit ovat yhteydessä toisiinsa. Jokainen solmu samoin kuin niiden väliset linkit koodaavat tietyt bitit tietoa. Nämä tietobitit luodaan, kun erityinen prosessi skannaa suuria määriä dataa mallin kouluttamiseksi.
Esimerkiksi kasvojentunnistusalgoritmi voi ollakoulutettu sarjasta selfies -sarjaa, jotta se pystyy paremmin ennustamaan henkilön sukupuolen. Tällaiset mallit ovat erittäin tarkkoja, mutta ne voivat myös tallentaa liian paljon tietoa - itse asiassa muistamalla tietyt henkilöt koulutuksen aikana. Hyökkääjät voivat tunnistaa ihmiset harjoitustiedoista tutkimalla syviä hermoverkkoja, jotka luokittelevat sukupuolen kuvattuihin kasvoihin.
Yksi suojelumenetelmistä, jotka keksivätkoneoppimisen asiantuntijoita, se lisäsi epävarmuutta AI-malliin. Tämä tehtiin estämään hyökkääjät ennustamasta tarkalleen, mitä malli tekisi. Skannaako se tietyn tietosarjan? Vai käynnistääkö hän hiekkalaatikon? Ihannetapauksessa haittaohjelma ei tiedä motiiviaan ja paljastaa sitä tahattomasti.
Toinen tapa parantaa tekoälyn yksityisyyttä ontutkia syvien hermoverkkojen haavoittuvuuksia. Mikään algoritmi ei ole täydellinen, ja nämä mallit ovat haavoittuvia. Syynä on, että he ovat erittäin herkkiä lukemiensa tietojen pienille muutoksille.
Näitä haavoittuvuuksia voidaan hyödyntääparantaa yksityisyyttä lisäämällä "kohinaa" henkilötietoihin. Esimerkiksi saksalaisen Planck Institute for Informatics -instituutin tutkijat ovat kehittäneet tapoja muuntaa Flickr-kuvat kasvojentunnistusohjelmistoiksi. Muutokset ovat uskomattoman hienovaraisia, niin paljon, että ihmissilmä ei pysty havaitsemaan niitä.
Toinen tapa, jolla AI voi auttaa lieventämääntietoturvaongelmat - tietojen luottamuksellisuuden säilyttäminen malleja rakennettaessa. Yksi lupaava kehitys on nimeltään liittoutunut oppiminen. Tätä Google käyttää Gboard-älynäppäimistössään ennakoidakseen seuraavaksi kirjoitettava sana. Yhdistetty oppiminen rakentaa lopullisen syvän neuroverkon useiden eri laitteiden kautta tallennetuista tiedoista yhden keskusdatan sijaan. Sen tärkein etu on, että lähdetiedot eivät koskaan jätä paikallisia laitteita. Siksi yksityisyyttä suojataan edelleen jossain määrin. Kyllä, tämä ei ole täydellinen ratkaisu. Vaikka paikalliset laitteet tekevät joitain laskelmia, ne eivät suorita niitä. Väliaikaiset tulokset saattavat paljastaa joitain tietoja laitteesta ja sen käyttäjästä.
Federated learning tarjoaa käsityksentulevaisuus, jossa tekoäly kunnioittaa enemmän yksityisyyttä. Jatkuva tutkimus saattaa löytää enemmän tapoja, joilla tekoäly tulee osaksi ratkaisua sen sijaan, että se aiheuttaa yksityisyyttä koskevia huolenaiheita.
Lue myös
Katso mitä elimiä koronavirus hyökkää ensin ja miten se tapahtuu
Kuka oli ensimmäinen organismi maan päällä? Unohda kaikki, mitä tiesit elämän alkuperästä
Katso valokuvia pimennystä ympäri maailmaa