


Umfrage zeigt: Verbraucher streiten über die Nutzung von Daten der künstlichen Intelligenz
Verbraucher unterstützen künstliche Intelligenz, sind aber besorgt darüber, wie Unternehmen die Technologie nutzen. Mehr als die Hälfte der Befragten gaben an, dass sie aufgrund des Einsatzes künstlicher Intelligenz das Vertrauen in ihre Organisationen verloren haben, wie eine neue Umfrage von Cisco zeigt.
Die Daten wurden in Ciscos Consumer Privacy Survey 2022 veröffentlicht, einer jährlichen globalen Umfrage zur Wahrnehmung und zum Verhalten von Verbrauchern im Zusammenhang mit der Überprüfung des Datenschutzes. Die diesjährige Umfrage unterstreicht die Notwendigkeit weiterer Transparenz, da Verbraucher sagen, dass es für sie oberste Priorität ist, dass Unternehmen transparenter darüber werden, wie sie ihre persönlichen Daten verwenden.
Die Umfrage von Cisco ergab außerdem, dass die Verbraucher zwar KI unterstützen (54 % sind bereit, ihre anonymisierten Daten zur Verbesserung von KI-Produkten weiterzugeben), 65 % jedoch aufgrund ihres Einsatzes Vertrauen in die Organisation verloren haben.
„Organisationen müssen ihre Datenpraktiken in einfachen Worten erklären und sie leicht zugänglich machen, damit Kunden und Benutzer verstehen können, was mit ihren Daten passiert. Darauf kommt es an „, sagte Harvey Jang, Vizepräsident und Chief Privacy Officer bei Cisco.
In diesem Jahr stimmten 81 % der Befragten zu, dass die Art und Weise, wie ein Unternehmen mit personenbezogenen Daten umgeht, zeigt, wie es seine Kunden betrachtet und respektiert. Dies ist der höchste Prozentsatz seit Cisco im Jahr 2019 damit begonnen hat, diese zu verfolgen. Cisco stellte außerdem fest, dass einige Verbraucher als Reaktion auf den Vertrauensverlust in das Unternehmen Maßnahmen ergreifen, um ihre Daten besser zu schützen. Insgesamt 76 % sagten, sie würden nicht bei einem Unternehmen kaufen, dem sie ihre Daten nicht anvertrauten, 37 % sagten, sie hätten den Anbieter mit Datenschutzpraktiken gewechselt, und 53 % sagten, sie würden ihre Cookie-Einstellungen verwalten, bevor sie die Bedingungen akzeptierten. der Menschen, die zu Hause Abhörgeräte besitzen, gaben an, dass sie diese regelmäßig ausschalten, um ihre Privatsphäre zu schützen.
Cisco sagt, dass sich die sich schnell ändernde Technologie für Verbraucher schwierig macht, den Daten des Unternehmens zu vertrauen, aber die meisten Befragten gaben an, dass die potenziellen Vorteile von KI die Risiken überwiegen, wenn eine ordnungsgemäße Anonymisierung vorhanden ist – 54 % der Befragten gaben an Sie wären bereit, anonymisierte personenbezogene Daten weiterzugeben, um zur Verbesserung KI-basierter Produkte und Entscheidungen beizutragen. Aber es gibt eine Diskrepanz zwischen Unternehmen und Verbrauchern – während 87 % der Unternehmen glauben, dass sie über Prozesse verfügen, um sicherzustellen, dass automatisierte Entscheidungen im Einklang mit den Kundenerwartungen ausgeführt werden, sind sich 60 % der Befragten nicht sicher, wie dies funktioniert Organisationen werden Bedenken hinsichtlich der Verwendung personenbezogener Daten für künstliche Intelligenz geäußert. Cisco sagte, dass Organisationen Verbrauchern die Möglichkeit geben können, sich von KI-Anwendungen abzumelden und zu erklären, wie ihre KI-Anwendungen funktionieren.
Cisco stellte fest, dass mehr als die Hälfte der Befragten sagten, dass staatliche oder lokale Regierungen eine vorrangige Rolle beim Schutz von Verbraucherdaten spielen sollten, da viele Verbraucher privaten Unternehmen nicht zutrauen, dies ohne Aufsicht für personenbezogene Daten zu tun.
Brad Arkin, Senior Vice President und Chief Security and Trust Officer bei Cisco, sagte: „Wir hoffen, dass die Erkenntnisse aus dieser Umfrage Unternehmen dazu inspirieren werden, den Kundenbedürfnissen nach Sicherheit, Datenschutz und Transparenz weiterhin Priorität einzuräumen.“ #🎜🎜 #
Das obige ist der detaillierte Inhalt vonUmfrage zeigt: Verbraucher streiten über die Nutzung von Daten der künstlichen Intelligenz. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Diese Seite berichtete am 27. Juni, dass Jianying eine von FaceMeng Technology, einer Tochtergesellschaft von ByteDance, entwickelte Videobearbeitungssoftware ist, die auf der Douyin-Plattform basiert und grundsätzlich kurze Videoinhalte für Benutzer der Plattform produziert Windows, MacOS und andere Betriebssysteme. Jianying kündigte offiziell die Aktualisierung seines Mitgliedschaftssystems an und führte ein neues SVIP ein, das eine Vielzahl von KI-Schwarztechnologien umfasst, wie z. B. intelligente Übersetzung, intelligente Hervorhebung, intelligente Verpackung, digitale menschliche Synthese usw. Preislich beträgt die monatliche Gebühr für das Clipping von SVIP 79 Yuan, die Jahresgebühr 599 Yuan (Hinweis auf dieser Website: entspricht 49,9 Yuan pro Monat), das fortlaufende Monatsabonnement beträgt 59 Yuan pro Monat und das fortlaufende Jahresabonnement beträgt 499 Yuan pro Jahr (entspricht 41,6 Yuan pro Monat). Darüber hinaus erklärte der Cut-Beamte auch, dass diejenigen, die den ursprünglichen VIP abonniert haben, das Benutzererlebnis verbessern sollen

Verbessern Sie die Produktivität, Effizienz und Genauigkeit der Entwickler, indem Sie eine abrufgestützte Generierung und ein semantisches Gedächtnis in KI-Codierungsassistenten integrieren. Übersetzt aus EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, Autor JanakiramMSV. Obwohl grundlegende KI-Programmierassistenten natürlich hilfreich sind, können sie oft nicht die relevantesten und korrektesten Codevorschläge liefern, da sie auf einem allgemeinen Verständnis der Softwaresprache und den gängigsten Mustern beim Schreiben von Software basieren. Der von diesen Coding-Assistenten generierte Code eignet sich zur Lösung der von ihnen zu lösenden Probleme, entspricht jedoch häufig nicht den Coding-Standards, -Konventionen und -Stilen der einzelnen Teams. Dabei entstehen häufig Vorschläge, die geändert oder verfeinert werden müssen, damit der Code in die Anwendung übernommen wird

Large Language Models (LLMs) werden auf riesigen Textdatenbanken trainiert und erwerben dort große Mengen an realem Wissen. Dieses Wissen wird in ihre Parameter eingebettet und kann dann bei Bedarf genutzt werden. Das Wissen über diese Modelle wird am Ende der Ausbildung „verdinglicht“. Am Ende des Vortrainings hört das Modell tatsächlich auf zu lernen. Richten Sie das Modell aus oder verfeinern Sie es, um zu erfahren, wie Sie dieses Wissen nutzen und natürlicher auf Benutzerfragen reagieren können. Aber manchmal reicht Modellwissen nicht aus, und obwohl das Modell über RAG auf externe Inhalte zugreifen kann, wird es als vorteilhaft angesehen, das Modell durch Feinabstimmung an neue Domänen anzupassen. Diese Feinabstimmung erfolgt mithilfe von Eingaben menschlicher Annotatoren oder anderer LLM-Kreationen, wobei das Modell auf zusätzliches Wissen aus der realen Welt trifft und dieses integriert

Um mehr über AIGC zu erfahren, besuchen Sie bitte: 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou unterscheidet sich von der traditionellen Fragendatenbank, die überall im Internet zu sehen ist erfordert einen Blick über den Tellerrand hinaus. Large Language Models (LLMs) gewinnen in den Bereichen Datenwissenschaft, generative künstliche Intelligenz (GenAI) und künstliche Intelligenz zunehmend an Bedeutung. Diese komplexen Algorithmen verbessern die menschlichen Fähigkeiten, treiben Effizienz und Innovation in vielen Branchen voran und werden zum Schlüssel für Unternehmen, um wettbewerbsfähig zu bleiben. LLM hat ein breites Anwendungsspektrum und kann in Bereichen wie der Verarbeitung natürlicher Sprache, der Textgenerierung, der Spracherkennung und Empfehlungssystemen eingesetzt werden. Durch das Lernen aus großen Datenmengen ist LLM in der Lage, Text zu generieren

Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten

Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist

Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S

Letzte Woche wurde OpenAI inmitten der Welle interner Kündigungen und externer Kritik von internen und externen Problemen geplagt: - Der Verstoß gegen die Schwester der Witwe löste weltweit hitzige Diskussionen aus - Mitarbeiter, die „Overlord-Klauseln“ unterzeichneten, wurden einer nach dem anderen entlarvt – Internetnutzer listeten Ultramans „ Sieben Todsünden“ – Gerüchtebekämpfung: Laut durchgesickerten Informationen und Dokumenten, die Vox erhalten hat, war sich die leitende Führung von OpenAI, darunter Altman, dieser Eigenkapitalrückgewinnungsbestimmungen wohl bewusst und hat ihnen zugestimmt. Darüber hinaus steht OpenAI vor einem ernsten und dringenden Problem – der KI-Sicherheit. Die jüngsten Abgänge von fünf sicherheitsrelevanten Mitarbeitern, darunter zwei der prominentesten Mitarbeiter, und die Auflösung des „Super Alignment“-Teams haben die Sicherheitsprobleme von OpenAI erneut ins Rampenlicht gerückt. Das Fortune-Magazin berichtete, dass OpenA
