Bagaimanakah kecerdasan buatan mengubah permainan untuk privasi data?
Penyelidikan terkini menunjukkan bahawa model pembelajaran mendalam berasaskan AI mampu menentukan perlumbaan pesakit berdasarkan imej radiologi seperti X-ray dada dengan ketepatan yang lebih tinggi berbanding pakar antropologi. Sandeep Sharma, ketua saintis data di Capgemini Consulting, menegaskan bahawa apabila AI digunakan pada pengumpulan dan analisis data peribadi, terdapat risiko besar untuk menceroboh privasi peribadi. Pada masa yang sama, ancaman ini diburukkan lagi oleh kekurangan pemahaman yang mencukupi tentang privasi di kalangan organisasi yang menggunakan AI.
Secara umumnya, terdapat beberapa masalah penting dalam aplikasi AI semasa yang melibatkan maklumat peribadi dalam organisasi perusahaan: pertama, penggunaan data untuk tujuan selain daripada pengumpulan; Maklumat peribadi yang tidak termasuk dalam skop pengumpulan data ketiga, menyimpan data lebih lama daripada yang diperlukan. Ini mungkin melanggar peraturan mengenai privasi data, seperti Peraturan Perlindungan Data Umum (GDPR) Kesatuan Eropah.
Aplikasi AI memburukkan lagi risiko pendedahan privasi data
Risiko yang ditimbulkan oleh sistem berasaskan AI melibatkan banyak aspek. Sebagai contoh, Tom Whittaker, sekutu kanan dalam pasukan teknologi di firma undang-undang British Burges Salmon, percaya bahawa potensi kecenderungan AI perlu diambil kira. Sistem AI bergantung pada data, dan apabila ia berkaitan dengan data peribadi, berat sebelah boleh dibuat secara tidak sengaja melalui cara data atau model itu dilatih.
Pada masa yang sama, sistem AI juga mungkin rosak, dan maklumat privasi peribadi juga mungkin bocor. Whittaker menyatakan bahawa sebahagian daripada sebabnya ialah sistem AI bergantung pada set data yang besar, yang boleh menjadikannya sasaran utama untuk serangan siber. Output data oleh sistem AI mungkin mendedahkan maklumat privasi peribadi secara langsung atau apabila digabungkan dengan maklumat lain.
Memandangkan sistem AI digunakan dalam peningkatan bilangan aplikasi, masyarakat juga terdedah kepada risiko yang lebih meluas. Skor kredit, analisis risiko jenayah dan adjudikasi imigresen adalah beberapa contoh. Jika AI atau cara ia digunakan adalah cacat, orang mungkin mengalami pelanggaran privasi yang lebih besar daripada yang mereka alami. ”
AI juga boleh memberi kesan positif terhadap privasi data
Walau bagaimanapun, beberapa pakar telah menegaskan bahawa AI boleh memberi kesan positif terhadap privasi. meningkatkan teknologi (PET), untuk membantu organisasi mematuhi perlindungan data mengikut kewajipan reka bentuk
Whittaker menjelaskan, “AI boleh digunakan untuk mencipta data sintetik yang mereplikasi corak dan sifat statistik data peribadi. AI juga boleh meminimumkan risiko pelanggaran privasi dengan menyulitkan data peribadi, mengurangkan ralat manusia dan mengesan kemungkinan insiden keselamatan siber. ”
Sesetengah kerajaan telah melihat sisi baik AI Contohnya, Ott Velsberg, ketua pegawai data Kementerian Hal Ehwal Ekonomi dan Komunikasi Estonia, berkata AI memainkan peranan penting dalam pelbagai industri dan kerajaan Estonia. matlamat adalah untuk Untuk mencapai aplikasi AI yang meluas pada tahun 2018, beliau memperkenalkan bahawa untuk memastikan pematuhan terhadap peraturan perlindungan data semasa menerapkannya, Estonia telah membangunkan perkhidmatan yang membolehkan orang ramai berkongsi data yang dipegang oleh kerajaan dengan pihak berkepentingan luar Estonia telah melancarkan a penjejak data untuk melihat pemprosesan data peribadi pada portal kerajaan
Pematuhan privasi adalah kunci untuk pelaksanaan AI
AI kini tertakluk pada peraturan termasuk Peraturan GDPR, tetapi lebih banyak peraturan privasi akan berlaku akan diperkenalkan pada masa hadapan, EU mempunyai perlindungan undang-undang terkuat untuk privasi berkaitan AI
Whittaker menegaskan bahawa EU juga merancang untuk memperkenalkan lebih banyak peraturan untuk AI yang direka untuk melarang sistem AI tertentu data, dan mengenakan kewajipan pada mana-mana sistem berisiko tinggi tentang cara data disimpan dan digunakan >
Untuk tujuan ini, apabila cuba mengurus risiko AI, pemimpin perniagaan harus memahami dasar kawal selia AI semasa dan terancang. Kegagalan mematuhi peraturan ini boleh mengakibatkan Pelanggaran kewajipan berisiko tinggi di bawah EU bil AI yang dicadangkan boleh mengakibatkan denda sehingga 20 juta euro atau sehingga 4% daripada perolehan tahunan Pertama, bagi organisasi perusahaan yang menggunakan sistem AI, terdapat perubahan dalam cara data digunakan. Jika pengguna tidak tahu bahawa mereka dipengaruhi oleh keputusan AI, mereka tidak akan dapat memahami atau mempersoalkannya Kedua, memastikan hak pengguna untuk mengetahui tentang penggunaan data. Ketiga, organisasi harus memastikan bahawa algoritma AI digunakan dengan sewajarnya. Data itu sendiri dan data yang mereka harapkan direka bentuk, dibangunkan dan diuruskan dengan teliti untuk mengelakkan akibat negatif yang tidak perlu Ringkasnya, langkah keselamatan data yang baik amat diperlukan dalam aplikasi AI. Jangan kumpulkan data yang tidak diperlukan dan pastikan maklumat itu dipadamkan selepas tempoh masa tertentu Juga pastikan akses kepada data dihadkan dengan sewajarnya dan mempunyai amalan keselamatan yang baik Ringkasnya, AI pastinya merupakan teknologi yang akan digunakan secara meluas dalam aplikasi perniagaan, tetapi ia mesti diuruskan secara bertanggungjawab untuk mengelakkan pelanggaran privasi Untuk tujuan ini, pemimpin perniagaan perlu berfikir dengan lebih kritis tentang cara AI digunakan dan disalahgunakan, dan bagaimana AI boleh digunakan dan mengelakkan kesan negatif AIAtas ialah kandungan terperinci Bagaimanakah kecerdasan buatan mengubah permainan untuk privasi data?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas

Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal

Tingkatkan produktiviti, kecekapan dan ketepatan pembangun dengan menggabungkan penjanaan dipertingkatkan semula dan memori semantik ke dalam pembantu pengekodan AI. Diterjemah daripada EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, pengarang JanakiramMSV. Walaupun pembantu pengaturcaraan AI asas secara semulajadi membantu, mereka sering gagal memberikan cadangan kod yang paling relevan dan betul kerana mereka bergantung pada pemahaman umum bahasa perisian dan corak penulisan perisian yang paling biasa. Kod yang dijana oleh pembantu pengekodan ini sesuai untuk menyelesaikan masalah yang mereka bertanggungjawab untuk menyelesaikannya, tetapi selalunya tidak mematuhi piawaian pengekodan, konvensyen dan gaya pasukan individu. Ini selalunya menghasilkan cadangan yang perlu diubah suai atau diperhalusi agar kod itu diterima ke dalam aplikasi

Untuk mengetahui lebih lanjut tentang AIGC, sila layari: 51CTOAI.x Komuniti https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou berbeza daripada bank soalan tradisional yang boleh dilihat di mana-mana sahaja di Internet memerlukan pemikiran di luar kotak. Model Bahasa Besar (LLM) semakin penting dalam bidang sains data, kecerdasan buatan generatif (GenAI) dan kecerdasan buatan. Algoritma kompleks ini meningkatkan kemahiran manusia dan memacu kecekapan dan inovasi dalam banyak industri, menjadi kunci kepada syarikat untuk kekal berdaya saing. LLM mempunyai pelbagai aplikasi Ia boleh digunakan dalam bidang seperti pemprosesan bahasa semula jadi, penjanaan teks, pengecaman pertuturan dan sistem pengesyoran. Dengan belajar daripada sejumlah besar data, LLM dapat menjana teks

Model Bahasa Besar (LLM) dilatih pada pangkalan data teks yang besar, di mana mereka memperoleh sejumlah besar pengetahuan dunia sebenar. Pengetahuan ini dibenamkan ke dalam parameter mereka dan kemudiannya boleh digunakan apabila diperlukan. Pengetahuan tentang model ini "diperbaharui" pada akhir latihan. Pada akhir pra-latihan, model sebenarnya berhenti belajar. Selaraskan atau perhalusi model untuk mempelajari cara memanfaatkan pengetahuan ini dan bertindak balas dengan lebih semula jadi kepada soalan pengguna. Tetapi kadangkala pengetahuan model tidak mencukupi, dan walaupun model boleh mengakses kandungan luaran melalui RAG, ia dianggap berfaedah untuk menyesuaikan model kepada domain baharu melalui penalaan halus. Penalaan halus ini dilakukan menggunakan input daripada anotasi manusia atau ciptaan LLM lain, di mana model menemui pengetahuan dunia sebenar tambahan dan menyepadukannya

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

Editor |. KX Dalam bidang penyelidikan dan pembangunan ubat, meramalkan pertalian pengikatan protein dan ligan dengan tepat dan berkesan adalah penting untuk pemeriksaan dan pengoptimuman ubat. Walau bagaimanapun, kajian semasa tidak mengambil kira peranan penting maklumat permukaan molekul dalam interaksi protein-ligan. Berdasarkan ini, penyelidik dari Universiti Xiamen mencadangkan rangka kerja pengekstrakan ciri berbilang mod (MFE) novel, yang buat pertama kalinya menggabungkan maklumat mengenai permukaan protein, struktur dan jujukan 3D, dan menggunakan mekanisme perhatian silang untuk membandingkan ciri modaliti yang berbeza penjajaran. Keputusan eksperimen menunjukkan bahawa kaedah ini mencapai prestasi terkini dalam meramalkan pertalian mengikat protein-ligan. Tambahan pula, kajian ablasi menunjukkan keberkesanan dan keperluan maklumat permukaan protein dan penjajaran ciri multimodal dalam rangka kerja ini. Penyelidikan berkaitan bermula dengan "S

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada

Dalam dunia pembangunan bahagian hadapan, VSCode telah menjadi alat pilihan untuk banyak pembangun dengan fungsi yang berkuasa dan ekosistem pemalam yang kaya. Dalam beberapa tahun kebelakangan ini, dengan perkembangan pesat teknologi kecerdasan buatan, pembantu kod AI pada VSCode telah muncul, meningkatkan kecekapan pengekodan pembangun. Pembantu kod AI pada VSCode telah muncul seperti cendawan selepas hujan, meningkatkan kecekapan pengekodan pembangun. Ia menggunakan teknologi kecerdasan buatan untuk menganalisis kod secara bijak dan menyediakan penyiapan kod yang tepat, pembetulan ralat automatik, semakan tatabahasa dan fungsi lain, yang mengurangkan kesilapan pembangun dan kerja manual yang membosankan semasa proses pengekodan. Hari ini, saya akan mengesyorkan 12 pembantu kod AI pembangunan bahagian hadapan VSCode untuk membantu anda dalam perjalanan pengaturcaraan anda.
