AI izplatība rada vairākas bažas par privātumu, par kurām cilvēki var pat nezināt. Ar citu
Slepenības risks no AI izriet ne tikaisakarā ar masveida personas datu vākšanu, bet arī no pašu dziļo neironu tīklu modeļiem, kas nodrošina lielāko daļu mūsdienu mākslīgā intelekta. Dati ir neaizsargāti ne tikai uzbrukumu dēļ datu bāzēm, bet arī tāpēc, ka modeļos, no kuriem tie ir apmācīti, ir “noplūdes”.
Dziļi neironu tīkli, kas pārstāvAlgoritmu kopums, kas paredzēts datu modeļu noteikšanai, sastāv no daudziem slāņiem. Šajos slāņos ir liels skaits mezglu, kurus sauc par neironiem, un ar tiem ir savienoti kaimiņu slāņu neironi. Katrs mezgls, kā arī saites starp tiem kodē noteiktus informācijas bitus. Šie informācijas biti tiek izveidoti, kad īpašs process skenē lielu datu daudzumu, lai apmācītu modeli.
Piemēram, sejas sejas atpazīšanas algoritms var būtapmācīti virknē selfiju, lai viņš varētu precīzāk paredzēt cilvēka dzimumu. Šādi modeļi ir ļoti precīzi, taču tie var arī glabāt pārāk daudz informācijas - faktiski atceroties noteiktus cilvēkus mācību procesā. Uzbrucēji var identificēt cilvēkus, pamatojoties uz apmācības datiem, izpētot dziļos neironu tīklus, kas klasificē dzimumu uz attēlotās sejas.
Viena no aizsardzības metodēm, kas nāca klajāmašīnmācīšanās ekspertiem, AI modelī bija pievienota nenoteiktība. Tas tika darīts, lai uzbrucēji nevarētu precīzi paredzēt, ko modele darīs. Vai tas skenēs noteiktu datu secību? Vai arī viņš palaidīs smilšu kasti? Ideālā gadījumā ļaunprogrammatūra nezinās un negribot atklās tās motīvus.
Vēl viens veids, kā uzlabot AI privātumu, irizpētīt dziļo neironu tīklu ievainojamības. Neviens algoritms nav ideāls, un šie modeļi ir neaizsargāti. Iemesls ir tāds, ka viņi ir ļoti jutīgi pret nelielām izmaiņām lasītajos datos.
Šīs ievainojamības var izmantotuzlabot privātumu, pievienojot personas datiem “troksni”. Piemēram, Vācijas Planka Informātikas institūta pētnieki ir izstrādājuši veidus, kā pārvērst Flickr attēlus sejas atpazīšanas programmatūrā. Izmaiņas ir neticami smalkas, tik ļoti, ka cilvēka acs tās nevar noteikt.
Vēl viens veids, kā AI var palīdzēt mazināt riskuproblēmas ar informācijas drošību - veidojot modeļus, saglabājiet datu konfidencialitāti. Vienu daudzsološu attīstību sauc par apvienotu mācīšanos. To Google izmanto savā viedajā tastatūrā Gboard, lai prognozētu, kuru vārdu ievadīt nākamo. Federatīvās mācības izveido dziļo neironu tīklu no datiem, kas tiek glabāti daudzās dažādās ierīcēs, nevis vienā centrālajā datu noliktavā. Tās galvenā priekšrocība ir tāda, ka avota dati nekad neatstāj vietējās ierīces. Tādējādi privātums joprojām ir nedaudz aizsargāts. Jā, tas nav ideāls risinājums. Lai arī vietējās ierīces veic dažus aprēķinus, tās tos nepabeidz. Starprezultāti var atklāt dažus datus par ierīci un tās lietotāju.
Federētā mācīšanās sniedz ieskatu parnākotne, kurā AI vairāk respektē privātumu. Turpinot pētījumus, var atrast vairāk veidu, kā AI kļūst par daļu no risinājuma, nevis par privātuma problēmu avotu.
Lasīt arī
Uzziniet, kādos orgānos koronavīruss uzbrūk vispirms un kā tas notiek
Kurš bija pirmais organisms uz Zemes? Aizmirstiet visu, ko zinājāt par dzīves izcelsmi
Skatiet aptumsuma fotoattēlus, kas uzņemti visā pasaulē