L'impact de la gestion des données sur l'IA générative
2023 sera le début grand public de ce dont nous nous souvenons comme l'ère de l'IA, portée par la technologie dont tout le monde parle : ChatGPT.
Les modèles de langage génératifs d'IA comme ChatGPT ont captivé notre imagination car pour la première fois, nous pouvons voir l'IA nous parler comme de vraies personnes et générer de la prose, de la poésie et d'autres choses que nous considérons comme du nouveau contenu créatif. Avec les solutions d’IA générative, il existe peut-être un potentiel révolutionnaire pour augmenter la vitesse d’innovation, la productivité et l’efficacité dans la création de valeur. Malgré ces limites, il reste encore beaucoup à faire en matière de sensibilisation aux meilleures pratiques en matière de confidentialité et de gestion des données.
Dernièrement, de nombreux acteurs du secteur de la technologie et de la sécurité ont tiré la sonnette d'alarme sur le manque de compréhension et de garde-fous réglementaires adéquats autour de l'utilisation de la technologie de l'intelligence artificielle. Des inquiétudes ont été exprimées concernant la fiabilité des résultats des outils d'IA, les droits de propriété intellectuelle, l'exposition de données sensibles et les violations de la vie privée et des problèmes de sécurité.
L'incident de Samsung avec ChatGPT a fait la une des journaux parce que le géant de la technologie a divulgué par inadvertance ses secrets à ChatGPT. Samsung n'est pas la seule entreprise à faire cela : une étude de Cyberhaven a révélé que 4 % des employés avaient introduit des données sensibles de l'entreprise dans de grands modèles linguistiques. Beaucoup de gens ne réalisent pas que lorsqu’ils utilisent des données d’entreprise pour former des modèles, les entreprises d’IA peuvent réutiliser ces données à d’autres occasions.
Comme si nous n'avions pas besoin de plus de fourrage pour la cybercriminalité, la société de renseignement sur la cybersécurité RecordedFuture a révélé : « Quelques jours après la sortie de ChatGPT, nous avons découvert un certain nombre d'acteurs malveillants sur le dark web et sur des forums à accès spécial qui partageaient leurs erreurs, mais entièrement fonctionnelles. logiciels malveillants, tutoriels d'ingénierie sociale, programmes lucratifs et bien plus encore - tout cela est rendu possible grâce à l'utilisation de ChatGPT. s'enregistre, il a accès aux adresses IP, aux paramètres du navigateur et à l'activité de navigation - tout comme les moteurs de recherche d'aujourd'hui. Mais les enjeux sont plus importants car cela pourrait révéler les convictions politiques ou l'orientation sexuelle d'une personne sans le consentement d'une personne, et pourrait entraîner la divulgation d'informations embarrassantes, voire ruineuses pour une carrière.
De toute évidence, nous avons besoin de meilleures réglementations et normes pour mettre en œuvre ces nouvelles technologies d’IA. Mais il y a un manque de discussion sur le rôle important de la gouvernance et de la gestion des données, qui peuvent jouer un rôle clé dans l’adoption par les entreprises et l’utilisation sûre de l’intelligence artificielle.
Tout est question de données
Voici les trois domaines sur lesquels vous devriez vous concentrer :
Concernant les modèles d'IA propriétaires pré-entraînés ou grands modèles de langage (LLM), la question centrale de la gouvernance et de la transparence des données réside dans la données de formation. Les programmes d'apprentissage automatique utilisant LLM contiennent de grands ensembles de données provenant de nombreuses sources. Le problème est que LLM est une boîte noire et offre peu de transparence sur les données sources. Nous sommes impartiaux et impartiaux quant à la crédibilité des sources, mais évitons d'inclure des informations personnelles identifiables illégales ou des données frauduleuses. Open AI, par exemple, ne partage pas ses données sources. Le Washington Post a analysé l'ensemble de données C4 de Google, couvrant 15 millions de sites Web, et a trouvé des dizaines de sites répréhensibles contenant des données incendiaires et personnellement identifiables et d'autres contenus douteux. La gouvernance des données nécessite la transparence des sources de données et garantit la validité et la fiabilité des connaissances acquises à partir de ces sources de données. Par exemple, votre robot IA peut avoir été formé sur des données provenant de sources non vérifiées ou de sites de fausses informations, biaisant ainsi ses connaissances qui font désormais partie de la nouvelle politique ou du programme de R&D de votre entreprise.
Actuellement, différents fournisseurs d'intelligence artificielle ont différentes stratégies pour gérer la confidentialité des données des utilisateurs, notamment l'isolation des données et les domaines de données. Vos employés peuvent sans le savoir fournir des données à LLM, mais ils ne savent peut-être pas que ces données seront incorporées dans la base de connaissances du modèle. Il est possible que des entreprises divulguent involontairement des secrets commerciaux, des codes logiciels et des données personnelles au public. Certaines solutions d'IA proposent des solutions de contournement, telles que des API pour protéger la confidentialité des données en excluant les données des modèles pré-entraînés, mais cela limite leur valeur car le cas d'utilisation idéal consiste à augmenter les modèles pré-entraînés avec des données spécifiques au cas, tout en préservant la confidentialité des données. Avoir des outils d'IA pré-entraînés comprenant le concept de « domaines » de données est une solution au problème. Les champs « communs » de données de formation sont utilisés pour la pré-formation et partagés entre les entités, tandis que les extensions du modèle de formation basées sur des « données propriétaires » sont restreintes en toute sécurité dans les limites de l'organisation. La gestion des données garantit que ces limites sont créées et préservées.
Les travaux dérivés induits par l'IA couvrent le troisième domaine de la gestion des données, lié au processus d'IA et finalement aux propriétaires des données. Disons que j'utilise un robot IA pour résoudre un problème de codage. Normalement, je saurais qui est responsable d’enquêter et de corriger quelque chose, car si quelque chose n’est pas géré correctement, un bug ou une erreur se produira. Mais avec l’IA, mon organisation est responsable de toute erreur ou conséquence néfaste résultant des tâches que je demande à l’IA d’effectuer, même si nous ne sommes pas transparents sur le processus ou les données sources. On ne peut pas blâmer la machine : quelque part, c'est un humain qui a fait une erreur ou un mauvais résultat. Qu’en est-il de la propriété intellectuelle ? Possédez-vous la propriété intellectuelle d’une œuvre créée à l’aide d’outils d’IA générative ? Comment la défendre devant les tribunaux ? Selon la Harvard Business Review, le monde de l’art commence déjà à intenter des poursuites.
Stratégies de gestion des données à considérer maintenant
Dans ces premiers stades, nous ne savons pas ce que nous ignorons sur l'IA, y compris les risques liés aux mauvaises données, à la confidentialité et à la sécurité, à la propriété intellectuelle et à d'autres ensembles de données sensibles. . L'intelligence artificielle est également un vaste domaine avec de multiples approches telles que le LLM, l'automatisation basée sur la logique, ce ne sont là que quelques-uns des sujets explorés en combinant les politiques de gouvernance des données et les pratiques de gestion des données :
- Pause sur l'IA générative Expérimenter jusqu'à vous disposez d'une stratégie de surveillance, d'une politique,
et de procédures pour atténuer les risques et valider les résultats.
- Guide de gestion consolidée des données : Commencez par avoir une solide compréhension de vos données, peu importe où elles résident. Où se trouvent vos informations personnelles sensibles et vos données clients ? De quelle quantité de données IP disposez-vous et où se trouvent ces fichiers ? Pouvez-vous surveiller leur utilisation pour garantir que ces types de données ne sont pas introduits par inadvertance dans les outils d'IA et éviter les violations de sécurité ou de confidentialité ?
Évitez de fournir des données inutiles aux applications d'IA et ne partagez aucune donnée propriétaire sensible. Verrouillez/chiffrez l’adresse IP et les données des clients pour empêcher leur partage.
- Comprenez comment et si les outils d'IA peuvent être transparents avec les sources de données.
Les fournisseurs peuvent-ils protéger vos données ? Google a partagé cette déclaration sur son blog, mais le « comment » n'est pas clair : « Qu'une entreprise forme un modèle dans VertexAI ou construise un client sur l'expérience du service GenerativeAIAppBuilder et que les données privées soient confidentielles et ne seront pas utilisés dans le corpus de formation du modèle de base plus large. Veuillez lire attentivement les termes du contrat de chaque outil d'intelligence artificielle pour comprendre si les données que vous fournissez seront marquées comme confidentielles. Données sur les travaux dérivés du propriétaire ou de la personne ou du service qui l'a commandé. Ceci est utile car vous pouvez en fin de compte être responsable de tout travail produit par l'entreprise et vous voulez savoir comment l'IA est intégrée au processus et par qui
Assurer la portabilité des données entre les domaines. souhaitez supprimer les données de son adresse IP et de ses caractéristiques d'identification et les fournir à un ensemble de données de formation commun pour une utilisation future. L'automatisation et le suivi de ce processus sont cruciaux.- Restez informé de toutes les réglementations et directives de l'industrie en cours. développé et parlez à vos pairs d'autres organisations pour comprendre comment ils mettent en œuvre l'atténuation des risques et la gestion des données
- Avant de démarrer tout projet d'IA générative, consultez un expert juridique pour comprendre les risques et les processus qui doivent être suivis dans l'événement d'une violation de données, de violations de la vie privée et de la propriété intellectuelle, d'acteurs malveillants ou de résultats faux/faux
- L'intelligence artificielle dans l'entreprise
.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!
Outils d'IA chauds
Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes
AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.
Undress AI Tool
Images de déshabillage gratuites
Clothoff.io
Dissolvant de vêtements AI
AI Hentai Generator
Générez AI Hentai gratuitement.
Article chaud
Outils chauds
Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit
SublimeText3 version chinoise
Version chinoise, très simple à utiliser
Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP
Dreamweaver CS6
Outils de développement Web visuel
SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)
Bytedance Cutting lance le super abonnement SVIP : 499 yuans pour un abonnement annuel continu, offrant une variété de fonctions d'IA
Jun 28, 2024 am 03:51 AM
Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine
Assistant de codage d'IA augmenté par le contexte utilisant Rag et Sem-Rag
Jun 10, 2024 am 11:08 AM
Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.
Sept questions d'entretien technique Cool GenAI et LLM
Jun 07, 2024 am 10:06 AM
Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte
Le réglage fin peut-il vraiment permettre au LLM d'apprendre de nouvelles choses : l'introduction de nouvelles connaissances peut amener le modèle à produire davantage d'hallucinations
Jun 11, 2024 pm 03:57 PM
Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.
Afin de fournir un nouveau système de référence et d'évaluation de questions-réponses scientifiques et complexes pour les grands modèles, l'UNSW, Argonne, l'Université de Chicago et d'autres institutions ont lancé conjointement le cadre SciQAG.
Jul 25, 2024 am 06:42 AM
L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes
Cinq écoles d'apprentissage automatique que vous ne connaissez pas
Jun 05, 2024 pm 08:51 PM
L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.
Les performances de SOTA, la méthode d'IA de prédiction d'affinité protéine-ligand multimodale de Xiamen, combinent pour la première fois des informations sur la surface moléculaire
Jul 17, 2024 pm 06:37 PM
Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S
Préparant des marchés tels que l'IA, GlobalFoundries acquiert la technologie du nitrure de gallium de Tagore Technology et les équipes associées
Jul 15, 2024 pm 12:21 PM
Selon les informations de ce site Web du 5 juillet, GlobalFoundries a publié un communiqué de presse le 1er juillet de cette année, annonçant l'acquisition de la technologie de nitrure de gallium (GaN) et du portefeuille de propriété intellectuelle de Tagore Technology, dans l'espoir d'élargir sa part de marché dans l'automobile et Internet. des objets et des domaines d'application des centres de données d'intelligence artificielle pour explorer une efficacité plus élevée et de meilleures performances. Alors que des technologies telles que l’intelligence artificielle générative (GenerativeAI) continuent de se développer dans le monde numérique, le nitrure de gallium (GaN) est devenu une solution clé pour une gestion durable et efficace de l’énergie, notamment dans les centres de données. Ce site Web citait l'annonce officielle selon laquelle, lors de cette acquisition, l'équipe d'ingénierie de Tagore Technology rejoindrait GF pour développer davantage la technologie du nitrure de gallium. g
