Ширење АИ изазива бројне забринутости за приватност којих људи можда нису ни свесни. Са другом
Ризици тајности од АИ нису ограничени назбог масовног прикупљања личних података, али и из самих модела неуронске мреже, који покрећу већину данашње вештачке интелигенције. Подаци су рањиви не само на нападе на базе података, већ и на "цурења" у моделима на којима су обучавани.
Дубоке неуронске мреже, које сускуп алгоритама за препознавање образаца у подацима састоји се од многих слојева. Ови слојеви садрже велики број чворова званих неурони, а неурони из суседних слојева међусобно су повезани. Сваки чвор, као и везе међу њима, кодирају одређене битове информација. Ове битове информација настају када посебан поступак скенира велике количине података за обуку модела.
На пример, алгоритам за препознавање лица може бититренирани на селфију тако да може тачније предвидјети пол неке особе. Такви су модели врло тачни, али могу и похранити превише информација - у ствари сећајући се одређених особа током процеса учења. Нападачи могу идентификовати људе из података о тренингу испитивањем дубоких неуронских мрежа које класификују пол на приказаном лицу.
Једна од метода заштите која се смислиластручњаци за машинско учење, то је додавало неизвесност АИ моделу. То је учињено како би се спречило да нападачи предвиде тачно шта ће модел урадити. Да ли ће скенирати одређени низ података? Или ће лансирати песак? У идеалном случају, малваре неће знати и несвесно изложити своје мотиве.
Други начин да се побољша приватност АИ јеистражити рањивости дубоких неуронских мрежа. Ниједан алгоритам није савршен, а ови модели су рањиви. Разлог је тај што су веома осетљиви на мале промене у подацима које читају.
Ове рањивости се могу користити запобољшање приватности додавањем „буке“ личним подацима. На пример, истраживачи са Института за информатику Планк у Немачкој развили су начине за претварање Флицкр слика у софтвер за препознавање лица. Промене су невероватно суптилне, толико да их људско око не може открити.
Други начин да АИ може помоћи у ублажавањупроблеми са безбедношћу информација - да би се одржала поверљивост података приликом израде модела. Један обећавајући развој назива се удруженим учењем. То је оно што Гоогле користи у својој паметној тастатури Гбоард да предвиди коју реч да унесете даље. Федеративно учење гради врхунску дубоку неуронску мрежу од података похрањених на више различитих уређаја, а не у једној централној складишту података. Његова главна предност је што изворни подаци никада не напуштају локалне уређаје. Стога је приватност још увијек у одређеној мјери заштићена. Да, ово није савршено решење. Иако локални уређаји раде неке прорачуне, они их не довршавају. Привремени резултати могу открити неке информације о уређају и кориснику.
Федеративно учење пружа увид убудућност у којој АИ више поштује приватност. Континуирано истраживање може пронаћи више начина на које АИ постаје део решења, а не извор забринутости за приватност.
Прочитајте такође
Погледајте у којим органима коронавирус прво напада и како се то дешава
Ко је био први организам на Земљи? Заборавите све што сте знали о пореклу живота
Погледајте фотографије помрачења снимљене широм света