هل هناك حل واضح لمخاطر الخصوصية التي تطرحها الذكاء الاصطناعي التوليدي؟

مخاطر الخصوصية التي تطرحها الذكاء الاصطناعي التوليدي حقيقية للغاية. من زيادة المراقبة والتعرض إلى حملات التصيد الاحتيالي والتصيد الصوتي أكثر فاعلية من أي وقت مضى، يؤدي الذكاء الاصطناعي التوليدي إلى تآكل الخصوصية بشكل جماعي، دون تمييز، في حين يوفر للمخترقين، سواء كانوا إجراميين أو مدعومين من الدولة أو حكوميين، الأدوات التي يحتاجونها لاستهداف الأفراد والمجموعات.

أوضح حل لهذه المشكلة يتضمن المستهلكين والمستخدمين بشكل جماعي التخلي عن هysteria الذكاء الاصطناعي، والطالبين بالشفافية من أولئك الذين يطورون أو يطبقون ميزات الذكاء الاصطناعي، والتنظيم الفعال من قبل الهيئات الحكومية التي تشرف على عملياتهم. على الرغم من أن هذا يستحق السعي نحوه، إلا أنه غير محتمل أن يحدث في الوقت القريب.

ما يبقى هو نهج معقول، حتى لو كان غير كامل، لمواجهة مخاطر الخصوصية التي يطرحها الذكاء الاصطناعي التوليدي. التنبؤ الطويل الأمد، والمتأكد، ولكن الممل، هو أن كلما زاد وعي الجمهور بخصوصية البيانات بشكل عام، زادت مخاطر الخصوصية التي تطرحها تبني الذكاء الاصطناعي التوليدي على نطاق واسع.

هل ن理解 جميعًا مفهوم الذكاء الاصطناعي التوليدي بشكل صحيح؟

الجاذبية حول الذكاء الاصطناعي شديدة لدرجة أن مسح ما يعنيه الناس بالذكاء الاصطناعي التوليدي ليس ضروريًا. بالطبع، لا تُمثل أي من هذه “ميزات” الذكاء الاصطناعي أو الوظائف أو المنتجات حقًا أمثلة على الذكاء الاصطناعي الحقيقي، مهما كان ذلك. بل هي في الغالب أمثلة على التعلم الآلي (ML)، التعلم العميق (DL)، والنماذج اللغوية الكبيرة (LLMs).

الذكاء الاصطناعي التوليدي، كما يوحي اسمه، يمكن أن يولد محتوى جديدًا – سواء كان نصًا (بما في ذلك لغات البرمجة)، أو صوتًا (بما في ذلك الموسيقى والأصوات الصوتية البشرية)، أو مقاطع فيديو (مع الصوت والحوار والقطع والتحولات). كل هذا يتم تحقيقه من خلال تدريب النماذج اللغوية الكبيرة على تحديد الأنماط في المحتوى الذي أنشأه الإنسان وتكرارها.

دعونا نأخذ ChatGPT كمثال. مثل العديد من النماذج اللغوية الكبيرة، يتم تدريبها في ثلاث مراحل رئيسية:

• التدريب المسبق: خلال هذه المرحلة، يتم “تغذية” النموذج اللغوي الكبير بمواد نصية من الإنترنت والكتب والدوريات الأكاديمية وأي شيء آخر يحتوي على نص потенسيًا ذي صلة أو مفيد.
• التحسين الدقيق للإرشاد الخاضع للإشراف: يتم تدريب النماذج على الاستجابة بشكل أكثر منطقية للإرشادات باستخدام أزواج إرشادات واستجابات عالية الجودة، عادةً ما يتم الحصول عليها من البشر.
• التعلم من التغذية الراجعة البشرية (RLHF): في كثير من الحالات، تخضع النماذج اللغوية الكبيرة مثل ChatGPT إلى مرحلة تدريب إضافية، حيث يتم استخدام التفاعلات مع المستخدمين البشر لتعديل نموذج الاستجابة لاستخدامات نمطية.

تتضمن جميع مراحل عملية التدريب بيانات، سواء كانت مخازن بيانات مسبقة ضخمة (مثل تلك المستخدمة في التدريب المسبق) أو بيانات يتم جمعها ومعالجتها تقريبًا في الوقت الفعلي (مثل تلك المستخدمة في RLHF). إنها تلك البيانات التي تحمل أكبر حصة من مخاطر الخصوصية الناشئة عن الذكاء الاصطناعي التوليدي.

ما هي مخاطر الخصوصية التي تطرحها الذكاء الاصطناعي التوليدي؟

تُخرق الخصوصية عندما يُتاح للمستخدمين أو الكيانات الأخرى معلومات شخصية تتعلق بأفراد (أو موضوعات البيانات) بدون موافقة موضوع البيانات. يتم تدريب النماذج اللغوية الكبيرة مسبقًا وضبطها دقيقًا على مجموعة واسعة من البيانات التي يمكن أن تحتوي على بيانات شخصية، وغالبًا ما تكون كذلك.

حتى عندما يتم أخذ هذه البيانات من مصادر متاحة للجمهور، يمكن أن يُعتبر جمعها ومعالجتها بواسطة نموذج لغوي كبير وتصبح قابلة للبحث من خلال واجهة النموذج اللغوي الكبير بمثابة انتهاك إضافي للخصوصية.

مرحلة التعلم من التغذية الراجعة البشرية (RLHF) تعقيدات الأمور. في مرحلة التدريب هذه، يتم استخدام التفاعلات الفعلية مع المستخدمين البشر لتصحيح وتحسين استجابات النموذج اللغوي الكبير. هذا يعني أن تفاعلات المستخدم مع نموذج لغوي كبير يمكن أن تُرى ومشاركتها وتنقلها بواسطة أي شخص لديه وصول إلى بيانات التدريب.

في معظم الحالات، لا يُعتبر هذا انتهاكًا للخصوصية، نظرًا لأن معظم مطوري النماذج اللغوية الكبيرة يدرجون سياسات الخصوصية وterms of service التي تتطلب من المستخدمين الموافقة قبل التفاعل مع النموذج اللغوي الكبير.然而، تكمن مخاطر الخصوصية هنا في حقيقة أن العديد من المستخدمين لا يدركون أنهم وافقوا على مثل هذه جمع البيانات واستخدامها. من المحتمل أن يفصح هؤلاء المستخدمون عن معلومات خاصة وحساسة خلال تفاعلاتهم مع هذه الأنظمة، دون أن يدركوا أن هذه التفاعلات ليست سرية ولا خاصة.

بهذه الطريقة، نصل إلى ثلاث طرق رئيسية لمخاطر الخصوصية التي يطرحها الذكاء الاصطناعي التوليدي:

• تخزين كميات كبيرة من بيانات التدريب المسبق التي قد تحتوي على معلومات شخصية معرضة للانتهاك والسرقة.
• يمكن أن تُ泄 معلومات شخصية واردة في بيانات التدريب المسبق إلى مستخدمين آخرين لنفس النموذج اللغوي الكبير من خلال استجاباتها للاستفسارات والإرشادات.
• يمكن أن يصل المعلومات الشخصية والحساسة التي يتم تقديمها خلال التفاعلات مع النماذج اللغوية الكبيرة إلى موظفي النموذج اللغوي الكبير ومن المحتمل أن يكون لديهم مقاولون من الباطن، ومن هناك يمكن أن تُ