Rozpowszechnianie się sztucznej inteligencji rodzi szereg problemów związanych z prywatnością, z których ludzie mogą nawet nie być świadomi. Z innym
Ryzyko zachowania tajemnicy przed AI wynika nie tylkoze względu na masowe gromadzenie danych osobowych, ale także z samych modeli głębokich sieci neuronowych, które zapewniają większość współczesnej sztucznej inteligencji. Dane są wrażliwe nie tylko z powodu ataków na bazy danych, ale także z powodu „wycieków” w modelach, w których zostały przeszkolone.
Głębokie sieci neuronowe reprezentująceZestaw algorytmów służących do określania wzorców w danych składa się z wielu warstw. W tych warstwach znajduje się duża liczba węzłów zwanych neuronami, a neurony z sąsiednich warstw są z nimi połączone. Każdy węzeł, a także łącza między nimi, kodują pewne bity informacji. Te fragmenty informacji są tworzone, gdy specjalny proces skanuje duże ilości danych w celu wyszkolenia modelu.
Na przykład algorytm rozpoznawania twarzy może byćprzeszkolony na serii selfie, aby mógł dokładniej przewidzieć płeć osoby. Takie modele są bardzo dokładne, ale mogą również przechowywać zbyt wiele informacji - w rzeczywistości zapamiętują niektóre osoby w procesie uczenia się. Atakujący mogą zidentyfikować osoby na podstawie danych treningowych, badając głębokie sieci neuronowe, które klasyfikują płeć na przedstawionej twarzy.
Jedna z wymyślonych metod ochronyw przypadku ekspertów w dziedzinie uczenia maszynowego w modelu AI dodano niepewność. Dokonano tego, aby napastnicy nie mogli dokładnie przewidzieć, co zrobi model. Czy skanuje określoną sekwencję danych? A może uruchomi piaskownicę? Idealnie byłoby, gdyby szkodliwe oprogramowanie nie znało i nieświadomie ujawniało swoje motywy.
Innym sposobem na poprawę prywatności AI jestzbadać słabe punkty głębokich sieci neuronowych. Żaden algorytm nie jest doskonały, a te modele są podatne na ataki. Dzieje się tak dlatego, że są bardzo wrażliwi na niewielkie zmiany w odczytywanych danych.
Można do tego wykorzystać te lukipoprawę prywatności poprzez dodanie „szumu” do danych osobowych. Na przykład naukowcy z Instytutu Informatyki Plancka w Niemczech opracowali sposoby konwertowania obrazów Flickr na oprogramowanie do rozpoznawania twarzy. Zmiany są niezwykle subtelne, na tyle subtelne, że ludzkie oko nie może ich dostrzec.
Innym sposobem sztucznej inteligencji może pomóc złagodzićproblemy z bezpieczeństwem informacji - zachowaj poufność danych podczas budowania modeli. Jeden obiecujący rozwój nazywa się uczeniem federacyjnym. Tego używa Google w swojej inteligentnej klawiaturze, Gboard, aby przewidzieć, które słowo wprowadzić w następnej kolejności. Uczenie federacyjne buduje najlepszą głęboką sieć neuronową na podstawie danych przechowywanych na wielu różnych urządzeniach, a nie w jednej centralnej hurtowni danych. Jego główną zaletą jest to, że dane źródłowe nigdy nie opuszczają lokalnych urządzeń. Dlatego prywatność jest nadal w pewnym stopniu chroniona. Tak, to nie jest idealne rozwiązanie. Chociaż urządzenia lokalne wykonują pewne obliczenia, nie kończą ich. Wyniki pośrednie mogą ujawnić niektóre dane dotyczące urządzenia i jego użytkownika.
Uczenie się stowarzyszone zapewnia wgląd wprzyszłość, w której sztuczna inteligencja będzie bardziej szanować prywatność. Dalsze badania mogą odkryć więcej sposobów, w jakie sztuczna inteligencja stanie się częścią rozwiązania, a nie źródłem problemów związanych z prywatnością.
Czytaj także
Zobacz, które narządy najpierw atakuje koronawirus i jak to się dzieje
Kto był pierwszym organizmem na Ziemi? Zapomnij o wszystkim, co wiedziałeś o pochodzeniu życia
Zobacz zdjęcia zaćmienia zrobione na całym świecie