Υπάρχει μια Σαφής Λύση για τους Κινδύνους Ιδιωτικού Χαρακτήρα που Δημιουργούνται από τη Γεννητική Τεχνητή Νοημοσύνη;

Οι κίνδυνοι ιδιωτικού χαρακτήρα που δημιουργούνται από τη γεννητική τεχνητή νοημοσύνη είναι πολύ πραγματικοί. Από την αύξηση της επιτήρησης και της έκθεσης σε πιο αποτελεσματικές εκστρατείες phishing και vishing από ποτέ, η γεννητική τεχνητή νοημοσύνη υπονομεύει τον ιδιωτικό χαρακτήρα en masse, ανεξέλεγκτα, ενώ παρέχει στους κακούς ηθοποιούς, είτε εγκληματίες, είτε χορηγούμενους από το κράτος ή κυβερνητικούς, τα εργαλεία που χρειάζονται για να στοχεύουν άτομα και ομάδες.

Η πιο σαφής λύση σε αυτό το πρόβλημα περιλαμβάνει τους καταναλωτές και τους χρήστες να γυρίσουν collectivly την πλάτη τους στην υπεροψία της ΤΝ και να απαιτήσουν διαφάνεια από εκείνους που αναπτύσσουν ή εφαρμόζουν λεγόμενα χαρακτηριστικά ΤΝ, και αποτελεσματική ρύθμιση από τις κυβερνητικές αρχές που εποπτεύουν τις λειτουργίες τους. Αν και αξίζει να αγωνιστούμε για αυτό, δεν είναι πιθανό να συμβεί σύντομα.

Τι μένει είναι λογικές, ακόμη και αν αναγκαστικά ατελείς, προσεγγίσεις για την μείωση των κινδύνων ιδιωτικού χαρακτήρα της γεννητικής ΤΝ. Η μακροπρόθεσμη, σίγουρη, αλλά βαρετή πρόβλεψη είναι ότι όσο περισσότερο ενημερωμένοι γίνονται οι πολίτες για την ιδιωτικότητα των δεδομένων γενικά, τόσο μικρότεροι είναι οι κίνδυνοι ιδιωτικού χαρακτήρα που δημιουργούνται από τη μαζική υιοθέτηση της γεννητικής ΤΝ.

Παίρνουμε Όλοι Σωστά την Έννοια της Γεννητικής ΤΝ;

Ο θόρυβος γύρω από την ΤΝ είναι τόσο πανταχού παρούσα που μια έρευνα για το τι εννοούν οι άνθρωποι με γεννητική ΤΝ είναι σχεδόν περιττή. Βέβαια, καμία από αυτές τις «ΤΝ» λειτουργίες, λειτουργίες και προϊόντα δεν αντιπροσωπεύει πραγματικά παραδείγματα αληθινής τεχνητής νοημοσύνης, όποιο και να είναι αυτό. Αντίθετα, είναι κυρίως παραδείγματα μηχανικής μάθησης (ΜΜ), βαθιάς μάθησης (ΒΜ) και μεγάλων μοντέλων γλωσσών (ΜΓΜ).

Η γεννητική ΤΝ, όπως υποδηλώνει το όνομά της, μπορεί να γεννήσει νέο περιεχόμενο – είτε κείμενο (συμπεριλαμβανομένων των γλωσσών προγραμματισμού), ήχου (συμπεριλαμβανομένης της μουσικής και των ανθρώπινων φωνών), είτε βίντεο (με ήχο, διάλογο, κοψίματα και αλλαγές κάμερας). Όλα αυτά επιτυγχάνονται με την εκπαίδευση των ΜΓΜ για να αναγνωρίσουν, να συσχετίσουν και να αναπαράγουν μοτίβα σε ανθρώπινα δημιουργημένο περιεχόμενο.

Ας πάρουμε το ChatGPT ως παράδειγμα. Όπως και πολλά άλλα ΜΓΜ, εκπαιδεύεται σε τρεις ευρείες φάσεις:

• Προ-εκπαίδευση: Κατά τη διάρκεια αυτής της φάσης, το ΜΓΜ «τρεφόμενο» με υλικό κειμένου από το διαδίκτυο, βιβλία, ακαδημαϊκές επιθεωρήσεις και οτιδήποτε άλλο περιέχει πιθανώς σχετικό ή χρήσιμο κείμενο.
• Επιτήρηση με εκπαίδευση: Τα μοντέλα εκπαιδεύονται για να απαντούν πιο συνεκτικά στις οδηγίες χρησιμοποιώντας υψηλής ποιότητας ζευγάρια οδηγίας-απάντησης, συνήθως από ανθρώπους.
• Ενίσχυση μάθησης από ανθρώπινη ανατροφοδότηση (ΕΜΑΑ): Τα ΜΓΜ όπως το ChatGPT συχνά υποβάλλονται σε αυτή την επιπλέον φάση εκπαίδευσης, κατά τη διάρκεια της οποίας οι αλληλεπιδράσεις με ανθρώπινους χρήστες χρησιμοποιούνται για να βελτιώσουν την ευθυγράμμιση του μοντέλου με τυπικές περιπτώσεις χρήσης.

Όλες οι τρεις φάσεις της διαδικασίας εκπαίδευσης περιλαμβάνουν δεδομένα, είτε τεράστιες αποθήκες προ-συγκεντρωμένων δεδομένων (όπως αυτά που χρησιμοποιούνται στη προ-εκπαίδευση) είτε δεδομένα που συλλέγονται και επεξεργάζονται σχεδόν σε πραγματικό χρόνο (όπως αυτά που χρησιμοποιούνται στην ΕΜΑΑ). Είναι αυτά τα δεδομένα που φέρουν το μεγαλύτερο μέρος των κινδύνων ιδιωτικού χαρακτήρα που προκύπτουν από τη γεννητική ΤΝ.

Τι Είναι οι Κίνδυνοι Ιδιωτικού Χαρακτήρα που Δημιουργούνται από τη Γεννητική ΤΝ;

Η ιδιωτικότητα παραβιάζεται όταν προσωπικές πληροφορίες που αφορούν ένα άτομο (το υποκείμενο των δεδομένων) γίνονται διαθέσιμες σε άλλα άτομα ή οντότητες χωρίς τη συναίνεση του υποκειμένου των δεδομένων. Τα ΜΓΜ προ-εκπαιδεύονται και επιτιμούν σε ένα εξαιρετικά ευρύ φάσμα δεδομένων που μπορεί και συχνά περιλαμβάνει προσωπικά δεδομένα. Αυτά τα δεδομένα συνήθως συλλέγονται από δημόσια διαθέσιμες πηγές, αλλά όχι πάντα.

Ακόμη και όταν αυτά τα δεδομένα λαμβάνονται από δημόσια διαθέσιμες πηγές, η συσσώρευση και επεξεργασία τους από ένα ΜΓΜ και στη συνέχεια η καθοδήγηση τους μέσω της διεπαφής του ΜΓΜ θα μπορούσε να θεωρηθεί ως μια περαιτέρω παραβίαση της ιδιωτικότητας.

Η ενίσχυση μάθησης από ανθρώπινη ανατροφοδότηση (ΕΜΑΑ) περιπλέκει τις cosas. Σε αυτό το στάδιο της εκπαίδευσης, πραγματικές αλληλεπιδράσεις με ανθρώπινους χρήστες χρησιμοποιούνται για να διορθώσουν και να βελτιώσουν τις απαντήσεις του ΜΓΜ. Αυτό σημαίνει ότι μια αλληλεπίδραση του χρήστη με ένα ΜΓΜ μπορεί να θεωρηθεί, να μοιραστεί και να διανεμηθεί από οποιονδήποτε έχει πρόσβαση στα δεδομένα εκπαίδευσης.

Στις περισσότερες περιπτώσεις, αυτό δεν είναι μια παραβίαση της ιδιωτικότητας, δεδομένου ότι οι περισσότεροι dévelopers ΜΓΜ περιλαμβάνουν πολιτικές ιδιωτικότητας και όρους υπηρεσίας που απαιτούν από τους χρήστες να συναποφασίσουν πριν αλληλεπιδράσουν με το ΜΓΜ. Ο κίνδυνος ιδιωτικότητας εδώ έγκειται μάλλον στο γεγονός ότι πολλοί χρήστες δεν είναι vědomοι ότι έχουν συναποφασίσει σε τέτοια συλλογή και χρήση δεδομένων. Τέτοιοι χρήστες είναι πιθανό να αποκαλύψουν ιδιωτικές και ευαίσθητες πληροφορίες κατά τη διάρκεια των αλληλεπιδράσεών τους με αυτά τα συστήματα, χωρίς να κατανοούν ότι αυτές οι αλληλεπιδράσεις δεν είναι ούτε εμπιστευτικές ούτε ιδιωτικές.

Με αυτόν τον τρόπο, φτάνουμε στα τρία κύρια σημεία με τα οποία η γεννητική ΤΝ δημιουργεί κινδύνους ιδιωτικού χαρακτήρα:

• Μεγάλες αποθήκες προ-εκπαίδευσης δεδομένων που потенτικά περιέχουν προσωπικές πληροφορίες είναι ευάλωτες σε παραβίαση και εξαγωγή.
• Προσωπικές πληροφορίες που περιλαμβάνονται σε δεδομένα προ-εκπαίδευσης μπορούν να διαρρεύσουν σε άλλους χρήστες του ίδιου ΜΓΜ μέσω των απαντήσεων του σε ερωτήσεις και οδηγίες.
• Προσωπικές και εμπιστευτικές πληροφορίες που παρέχονται κατά τη διάρκεια αλληλεπιδράσεων με ΜΓΜ καταλήγουν στους υπαλλήλους των ΜΓΜ και πιθανώς σε τρίτους εργολάβους, από όπου μπορούν να θεωρηθούν ή να διαρρεύσουν.

Αυτοί είναι 모두 κίνδυνοι για την ιδιωτικότητα των χρηστών, αλλά οι πιθανότητες ότι προσωπικά δεδομένα ταυτοποίησης (ΠΔΤ) θα καταλήξουν στα λάθος χέρια φαίνονται ακόμη αρκετά χαμηλές. Αυτό είναι τουλάχιστον μέχρι που οι μεσάζοντες δεδομένων μπαίνουν στη σκηνή. Αυτές οι εταιρείες ειδικεύονται στην ανίχνευση ΠΔΤ και τη συλλογή, συσσώρευση και διάθεση, αν όχι εξ ολοκλήρου μετάδοση, αυτών.

Με τα ΠΔΤ και άλλα προσωπικά δεδομένα να έχουν γίνει κάτι σαν εμπόρευμα και τη βιομηχανία μεσάζοντων δεδομένων να αναδύεται για να επωφεληθεί από αυτό, οποιαδήποτε προσωπική πληροφορία που «βγάζεται έξω» είναι πολύ πιθανό να συλλεχθεί από μεσάζοντες δεδομένων και να διανεμηθεί ευρέως.

Οι Κίνδυνοι Ιδιωτικού Χαρακτήρα της Γεννητικής ΤΝ στο Κοντέξτ

Πριν εξετάσουμε τους κινδύνους που η γεννητική ΤΝ δημιουργεί για την ιδιωτικότητα των χρηστών σε συγκεκριμένα προϊόντα, υπηρεσίες και εταιρικές συνεργασίες, ας πάρουμε ένα βήμα πίσω και κοιτάξουμε πιο δομημένα το πλήρες φάσμα των κινδύνων της γεννητικής ΤΝ. Γράφοντας για το IAPP, οι Moraes και Previtali ακολούθησαν μια προσεγγιστική προσέγγιση για την εξευρέση της ταξινόμησης της Solove του 2006 «Μια ταξινόμηση της ιδιωτικότητας», μειώνοντας τις 16 κινδύνους ιδιωτικότητας που περιγράφονται εκεί σε 12 κινδύνους ιδιωτικότητας συγκεκριμένους για την ΤΝ.

Αυτοί είναι οι 12 κίνδυνοι ιδιωτικότητας που περιλαμβάνονται στην αναθεωρημένη ταξινόμηση των Moraes και Previtali:

• Επιτήρηση: Η ΤΝ επιδεινώνει τους κινδύνους επιτήρησης αυξάνοντας την κλίμακα και την πανταχού παρούσα συλλογή προσωπικών δεδομένων.
• Ταυτοποίηση: Οι τεχνολογίες ΤΝ ermögουν την αυτόματη σύνδεση ταυτοτήτων σε διάφορες πηγές δεδομένων, αυξάνοντας τους κινδύνους που σχετίζονται με την έκθεση προσωπικής ταυτότητας.
• Συσσώρευση: Η ΤΝ συνδυάζει διάφορα κομμάτια δεδομένων για ένα άτομο για να κάνει εικασίες, δημιουργώντας κινδύνους εισβολής στην ιδιωτικότητα.
• Φρενολογία και φυσιογνωμία: Η ΤΝ υποδηλώνει προσωπικότητα ή κοινωνικές ιδιότητες από φυσικά χαρακτηριστικά, μια νέα κατηγορία κινδύνου που δεν περιλαμβάνεται στην ταξινόμηση της Solove.
• Δευτερεύουσα χρήση: Η ΤΝ επιδεινώνει τη χρήση προσωπικών δεδομένων για σκοπούς άλλους από τους αρχικά προβλεπόμενους μέσω της επαναχρησιμοποίησης δεδομένων.
• Αποκλεισμός: Η ΤΝ κάνει την αποτυχία να ενημερώσει ή να δώσει έλεγχο στους χρήστες σχετικά με το πώς χρησιμοποιούνται τα δεδομένα τους χειρότερη μέσω αδιαφανών πρακτικών δεδομένων.
• Ασφάλεια: Οι απαιτήσεις δεδομένων της ΤΝ και οι πρακτικές αποθήκευσής της κινδυνεύουν από διαρροές δεδομένων και άλλη άσκηση.
• Εκθεση: Η ΤΝ μπορεί να αποκαλύψει ευαίσθητες πληροφορίες, όπως μέσω τεχνικών γεννητικής ΤΝ.
• Διαστρέβλωση: Η ικανότητα της ΤΝ να γεννήσει πραγματικά αλλά ψευδή περιεχόμενο αυξάνει τη διάδοση ψευδών ή παραπλανητικών πληροφοριών.
• Αποκάλυψη: Η ΤΝ μπορεί να προκαλέσει άλλη άσκηση δεδομένων όταν υποδηλώνει πρόσθετες ευαίσθητες πληροφορίες από сырыε δεδομένα.
• Αυξημένη Προσβασιμότητα: Η ΤΝ κάνει ευαίσθητες πληροφορίες πιο προσιτές σε ένα ευρύτερο κοινό από ό,τι προορίζεται.
• Εισβολή: Οι τεχνολογίες ΤΝ εισβάλλουν στην προσωπική ζωή ή την ησυχία, συχνά μέσω μέτρων επιτήρησης.

Αυτό είναι ένα αρκετά ανησυχητικό ανάγνωσμα. Είναι σημαντικό να σημειωθεί ότι αυτή η ταξινόμηση, στο πλεονέκτημά της, λαμβάνει υπόψη την τάση της γεννητικής ΤΝ να οραματίζει – να γεννήσει και να παρουσιάσει με Selbstüven ψευδή πληροφορίες. Αυτό το φαινόμενο, αν και σπάνια αποκαλύπτει πραγματικές πληροφορίες, είναι επίσης ένας κίνδυνος ιδιωτικού χαρακτήρα. Η διάδοση ψευδών και παραπλανητικών πληροφοριών επηρεάζει την ιδιωτικότητα του υποκειμένου με τρόπους που είναι πιο λεπτοί από την περίπτωση ακριβών πληροφοριών, αλλά επηρεάζει την ιδιωτικότητα.

Ας κατεβούμε σε κάποια συγκεκριμένα παραδείγματα για το πώς αυτοί οι κίνδυνοι ιδιωτικού χαρακτήρα έρχονται σε juego στο контέκστ πραγματικών προϊόντων ΤΝ.

Απευθείας Αλληλεπιδράσεις με Συστήματα Γεννητικής ΤΝ;

Η πιο απλή περίπτωση είναι αυτή που εμπλέκει έναν χρήστη που αλληλεπιδρά απευθείας με ένα σύστημα γεννητικής ΤΝ, όπως το ChatGPT, το Midjourney ή το Gemini. Οι αλληλεπιδράσεις του χρήστη με πολλά από αυτά τα προϊόντα καταγράφονται, αποθηκεύονται και χρησιμοποιούνται για ΕΜΑΑ (ενίσχυση μάθησης από ανθρώπινη ανατροφοδότηση), επιτηρούμενη οδηγία-εξευρετική εκπαίδευση και ακόμη και για την προ-εκπαίδευση άλλων ΜΓΜ.

Μια ανάλυση των πολιτικών ιδιωτικότητας πολλών υπηρεσιών όπως αυτές αποκαλύπτει επίσης άλλες δραστηριότητες διαμοιρασμού δεδομένων που υποστηρίζονται από διαφορετικούς σκοπούς, όπως η διαφήμιση και ο διαμεσάζων δεδομένων. Αυτό είναι ένας άλλος τύπος κινδύνου ιδιωτικού χαρακτήρα που δημιουργείται από τη γεννητική ΤΝ: αυτά τα συστήματα μπορούν να χαρακτηριστούν ως τεράστιες διοχετεύσεις δεδομένων, συλλέγοντας δεδομένα που παρέχονται από τους χρήστες καθώς και αυτά που γεννιούνται μέσω των αλληλεπιδράσεών τους με το υποκείμενο ΜΓΜ.

Αλληλεπιδράσεις με Ενσωματωμένα Συστήματα Γεννητικής ΤΝ;

Ορισμένοι χρήστες μπορεί να αλληλεπιδρούν με διεπαφές γεννητικής ΤΝ που είναι ενσωματωμένες σε οποιοδήποτε προϊόν χρησιμοποιούν. Ο χρήστης μπορεί να γνωρίζει ότι χρησιμοποιεί μια «ΤΝ» λειτουργία, αλλά είναι λιγότερο πιθανό να γνωρίζει τι αυτό σημαίνει σε σχέση με κινδύνους ιδιωτικού χαρακτήρα. Αυτό που προέχει με τα ενσωματωμένα συστήματα είναι η έλλειψη εκτίμησης του γεγονότος ότι προσωπικά δεδομένα που μοιράζονται με το ΜΓΜ μπορεί να καταλήξουν στα χέρια των dévelopers και μεσάζοντων δεδομένων.

Υπάρχουν δύο βαθμοί έλλειψης γνώσης εδώ: ορισμένοι χρήστες αντιλαμβάνονται ότι αλληλεπιδρούν με ένα προϊόν γεννητικής ΤΝ; και ορισμένοι πιστεύουν ότι χρησιμοποιούν οποιοδήποτε προϊόν η γεννητική ΤΝ είναι ενσωματωμένη ή προσεγγίζεται. Σε οποιαδήποτε περίπτωση, ο χρήστης μπορεί να έχει (και πιθανώς είχε) τεχνικά συναποφασίσει τους όρους και τις προϋποθέσεις που σχετίζονται με τις αλληλεπιδράσεις του με το ενσωματωμένο σύστημα.

Άλλες Συνεργασίες που Εкспώνουν τους Χρήστες σε Συστήματα Γεννητικής ΤΝ;

Ορισμένες εταιρείες ενσωματώνουν ή περιλαμβάνουν άλλους τρόπους διεπαφών γεννητικής ΤΝ στα λογισμικά τους με τρόπους που είναι λιγότερο φανεροί, αφήνοντας τους χρήστες να αλληλεπιδρούν – και να μοιράζονται πληροφορίες – με τρίτους χωρίς να το καταλάβουν. Ευτυχώς, το «ΤΝ» έχει γίνει τόσο αποτελεσματικό σημείο πώλησης που είναι απίθανο ότι μια εταιρεία θα κρατήσει τέτοιες υλοποιήσεις μυστικές.

Ένα άλλο φαινόμενο σε αυτό το контέκστ είναι η αυξανόμενη αντίδραση που τέτοιες εταιρείες έχουν βιώσει μετά από προσπάθειες να μοιράσουν δεδομένα χρηστών ή πελατών με εταιρείες γεννητικής ΤΝ όπως η OpenAI. Η εταιρεία διαγραφής δεδομένων Optery, για παράδειγμα, αναστρέφει πρόσφατα μια απόφαση να μοιράσει δεδομένα χρηστών με την OpenAI με βάση την εξαίρεση, που σημαίνει ότι οι χρήστες είχαν εγγραφεί στο πρόγραμμα εξ ολοκλήρου.

Δεν ήταν μόνο οι πελάτες γρήγοροι να εκφράσουν την απογοήτευσή τους, αλλά η υπηρεσία διαγραφής δεδομένων της εταιρείας απομακρύνθηκε γρήγορα από τη λίστα συστάσεων για υπηρεσίες διαγραφής δεδομένων της Privacy Guides. Προς τιμή της Optery, ανέστρεψε γρήγορα και διαφανώς την απόφασή της, αλλά η γενική αντίδραση είναι το σημαντικό εδώ: οι άνθρωποι αρχίζουν να εκτιμούν τους κινδύνους της μοιράσματος δεδομένων με «ΤΝ» εταιρείες.

Η περίπτωση Optery αποτελεί ένα καλό παράδειγμα εδώ, επειδή οι χρήστες της είναι, σε κάποιο βαθμό, στην αιχμή της αυξανόμενης σκεπτικιστικής στάσης που περιβάλλει τις υλοποιήσεις της ΤΝ. Οι τύποι ανθρώπων που επιλέγουν μια υπηρεσία διαγραφής δεδομένων είναι επίσης, τυπικά, εκείνοι που θα προσεχθούν τις αλλαγές στις προϋποθέσεις υπηρεσίας και τις πολιτικές ιδιωτικότητας.

Αποδείξεις μιας Αυξανόμενης Αντίδρασης κατά των Κινδύνων Ιδιωτικού Χαρακτήρα της Γεννητικής ΤΝ;

Οι συνειδητοί καταναλωτές ιδιωτικότητας δεν ήταν οι μόνοι που ανέβηκαν τους κινδύνους που σχετίζονται με τα συστήματα γεννητικής ΤΝ και τους συνδεδεμένους κινδύνους ιδιωτικού χαρακτήρα. Στο νομοθετικό επίπεδο, η Νόμος Τεχνητής Νοημοσύνης της ΕΕ κατηγοριοποιεί τους κινδύνους σύμφωνα με τη σοβαρότητά τους, με την ιδιωτικότητα των δεδομένων να είναι το ρητά ή σιωπηρά κριτήριο για την απόδοση σοβαρότητας στις περισσότερες περιπτώσεις. Ο Νόμος αντιμετωπίζει επίσης τα ζητήματα της ενημερωμένης συναίνεσης που συζητήσαμε νωρίτερα.

Οι ΗΠΑ, που είναι γνωστές για την αργή υιοθέτηση ολοκληρωμένης, ομοσπονδιακής νομοθεσίας για την ιδιωτικότητα δεδομένων, έχουν τουλάχιστον κάποια φραγμούς χάρη στην Εξουσιοδότηση 14110. Πάλι, οι ανησυχίες για την ιδιωτικότητα των δεδομένων βρίσκονται στο επίκεντρο των σκοπών που δίνονται για την Εξουσιοδότηση: «η ασεβής χρήση [των τεχνολογιών ΤΝ] θα μπορούσε να επιδεινώσει τις κοινωνικές ζημιές, όπως την απάτη, την διάκριση, την προκατάληψη και την παραπληροφόρηση» – όλα αυτά σχετίζονται με τη διαθεσιμότητα και τη διάδοση προσωπικών δεδομένων.

Επιστρέφοντας στο επίπεδο καταναλωτών, δεν είναι μόνο οι ιδιαίτερα συνειδητοί καταναλωτές ιδιωτικότητας που έχουν δυσκολίες με τις εισβολικές υλοποιήσεις της γεννητικής ΤΝ. Η «ΤΝ-ενισχυμένη» λειτουργία Recall της Microsoft, που προορίζεται για το λειτουργικό σύστημα Windows 11, είναι ένα πρωτοφανές παράδειγμα. Μόλις αποκαλύφθηκε το μέγεθος των κινδύνων ιδιωτικότητας και ασφάλειας, η αντίδραση ήταν αρκετή για να κάνει την τεχνολογική γίγαντα να πηγαίνει πίσω. Δυστυχώς, η Microsoft φαίνεται να μην έχει εγκαταλείψει την ιδέα, αλλά η αρχική δημόσια αντίδραση είναι ενθαρρυντική.

Μένουμε με τη Microsoft, το πρόγραμμα Copilot της έχει επικριθεί ευρέως για προβλήματα ιδιωτικότητας και ασφάλειας δεδομένων. Όπως το Copilot εκπαιδεύτηκε σε δεδομένα GitHub (κυρίως πηγαίο κώδικα), προέκυψε επίσης μια διαμάχη γύρω από τις υποτιθέμενες παραβιάσεις της Microsoft των συμφωνιών αδειοδότησης λογισμικού προγραμματιστών και αναπτυξιακών. Είναι σε περιπτώσεις όπως αυτή που οι γραμμές μεταξύ ιδιωτικότητας δεδομένων και πνευματικών δικαιωμάτων αρχίζουν να θολώνουν, δίνοντας στην ιδιωτικότητα μια νομισματική αξία – κάτι που δεν είναι εύκολο να γίνει.

Πιθανώς η μεγαλύτερη ένδειξη ότι η ΤΝ γίνεται μια κόκκινη σημαία στα μάτια των καταναλωτών είναι η ψυχρή έως την απρόθυμη δημόσια αντίδραση που η Apple έλαβε στην αρχική της εκτόξευση ΤΝ, ιδιαίτερα σε σχέση με τις συμφωνίες διαμοιρασμού δεδομένων με την OpenAI.

Οι Κατ’ Επίفرασιν Λύσεις;

Υπάρχουν βήματα που οι νομοθέτες, οι dévelopers και οι εταιρείες μπορούν να λάβουν για να μετριάσουν κάποιους από τους κινδύνους που δημιουργούνται από τη γεννητική ΤΝ. Αυτά είναι οι εξειδικευμένες λύσεις σε συγκεκριμένα μέρη του υπέρτατου προβλήματος, κανένα από αυτά τα μέτρα δεν αναμένεται να είναι αρκετό, αλλά όλα αυτά, δουλεύοντας μαζί, θα μπορούσαν να κάνουν μια πραγματική διαφορά.

• Ελαχιστοποίηση δεδομένων. Η ελαχιστοποίηση της ποσότητας δεδομένων που συλλέγονται και αποθηκεύονται είναι ένα λογικό στόχο, αλλά είναι απευθείας αντίθετο με την επιθυμία των dévelopers της γεννητικής ΤΝ για δεδομένα εκπαίδευσης.
• Διαφάνεια. Δεδομένης της τρέχουσας κατάστασης της ΤΝ, αυτό μπορεί να μην είναι ακόμη τεχνικά εφικτό σε πολλές περιπτώσεις. Η είσοδος σε τι δεδομένα επεξεργάζονται και πώς όταν παράγεται μια δεδομένη έξοδος είναι ένας τρόπος για να διασφαλιστεί η ιδιωτικότητα στις αλληλεπιδράσεις της γεννητικής ΤΝ.
• Ανωνυμοποίηση. Οποιοδήποτε προσωπικό δεδομένο ταυτοποίησης (ΠΔΤ) που δεν μπορεί να εξαιρεθεί από δεδομένα εκπαίδευσης (μέσω ελαχιστοποίησης δεδομένων) θα πρέπει να ανωνυμοποιηθεί. Το πρόβλημα είναι ότι πολλές δημοφιλείς τεχνικές ανωνυμοποίησης και ψευδωνυμοποίησης είναι εύκολα νικημένες.
• Συναίνεση χρήστη. Η απαίτηση από τους χρήστες να συναποφασίσουν στη συλλογή και διαμοιρασμό των δεδομένων τους είναι απαραίτητη αλλά πολύ ανοιχτή στην κακοποίηση και στην απάθεια των καταναλωτών για να είναι αποτελεσματική. Αυτή η συναίνεση είναι απαραίτητη εδώ και οι περισσότεροι καταναλωτές, σωστά ενημερωμένοι, δεν θα συναποφασίσουν σε τέτοια διαμοιρασμό δεδομένων, οπότε οι ενθαρρύνσεις είναι ανταγωνιστικές.
• Ασφάλεια δεδομένων σε μεταφορά και σε ηρεμία. Ένα άλλο θεμέλιο και της ιδιωτικότητας δεδομένων και της ασφάλειας δεδομένων, η προστασία δεδομένων μέσω κρυπτογραφικών και άλλων μέσων μπορεί πάντα να γίνει πιο αποτελεσματική. Ωστόσο, τα συστήματα γεννητικής ΤΝ έχουν την τάση να διαρρέουν δεδομένα μέσω των διεπαφών τους, καθιστώντας το μόνο μέρος της λύσης.
• Επιβολή πνευματικών δικαιωμάτων και νομοθεσίας στο контέκστ της ΤΝ. Η ΤΝ μπορεί να λειτουργεί σε ένα «μαύρο κουτί», καθιστώντας δύσκολο αν όχι αδύνατο να ανιχνεύσει ποιο πνευματικά δικαιώματα και ιδιοκτησία τελικά καταλήγουν σε ποια έξοδος γεννητικής ΤΝ.
• Ελέγχοι. Ένα άλλο κρίσιμο μέτρο προστασίας που εμποδίζεται από τη φύση «μαύρου κουτιού» των ΜΓΜ και των συστημάτων γεννητικής ΤΝ που υποστηρίζουν. Αυτό το εγγενές όριο επιδεινώνεται από τη φύση κλειστού κώδικα της meisten γεννητικής ΤΝ, η οποία περιορίζει τους ελέγχους σε εκείνους που thựcρούνται στη διευκόλυνση του dévelopera.

Όλες αυτές οι προσεγγίσεις στο πρόβλημα είναι έγκυρες και απαραίτητες, αλλά καμία δεν είναι αρκετή. Όλες απαιτούν νομοθετική υποστήριξη για να έρθουν σε σημαντική ισχύ, που σημαίνει ότι είναι καταδικασμένες να μείνουν πίσω από τις καιρούς καθώς αυτό το δυναμικό πεδίο συνεχίζει να εξελίσσεται.

Η Σαφής Λύση;

Η λύση στους κινδύνους ιδιωτικού χαρακτήρα που δημιουργούνται από τη γεννητική ΤΝ δεν είναι επαναστατική ούτε ενθουσιώδης, αλλά όταν φτάνει στο λογικό της σύγκλιση, τα αποτελέσματά της θα μπορούσαν να είναι και τα δύο. Η σαφής λύση περιλαμβάνει τους καθημερινούς καταναλωτές να γίνονται vědomοι της αξίας των δεδομένων τους για τις εταιρείες και την ακατοίκητη αξία της ιδιωτικότητας για τον εαυτό τους.

Οι καταναλωτές είναι οι πηγές και οι κινητήρες πίσω από τις προσωπικές πληροφορίες που τροφοδοτούν την λεγόμενη σύγχρονη οικονομία επιτήρησης. Μόλις μια κρίσιμη μάζα καταναλωτών αρχίσει να στερεί την ροή προσωπικών δεδομένων στο δημόσιο χώρο και αρχίσει να απαιτεί λογοδοσία από τις εταιρείες που διακινούν προσωπικά δεδομένα, το σύστημα θα πρέπει να αυτο-διορθωθεί.

Το ενθαρρυντικό για τη γεννητική ΤΝ είναι ότι, αντίθετα με τα τρέχοντα μοντέλα διαφήμισης και μάρκετινγκ, δεν χρειάζεται να εμπλέκει προσωπικές πληροφορίες σε κανένα στάδιο. Δεδομένα προ-εκπαίδευσης και εξευρετικής εκπαίδευσης δεν χρειάζεται να περιλαμβάνουν ΠΔΤ ή άλλα προσωπικά δεδομένα και οι χρήστες δεν χρειάζεται να εκθέσουν τα ίδια κατά τη διάρκεια των αλληλεπιδράσεών τους με συστήματα γεννητικής ΤΝ.

Για να αφαιρέσουν τα προσωπικά τους δεδομένα από δεδομένα εκπαίδευσης, οι άνθρωποι μπορούν να πάνε στην πηγή και να αφαιρέσουν τα προφίλ τους από διάφορους μεσάζοντες δεδομένων (συμπεριλαμβανομένων των ιστότοπων αναζήτησης ανθρώπων) που συσσωρεύουν δημόσιες εγγραφές, φέρνοντάς τες στην κυκλοφορία στην ανοιχτή αγορά. Υπηρεσίες διαγραφής προσωπικών δεδομένων αυτοματοποιούν τη διαδικασία, καθιστώντας τη γρήγορη και εύκολη. Φυσικά, η αφαίρεση προσωπικών δεδομένων από τις βάσεις δεδομένων αυτών των εταιρειών έχει πολλά άλλα οφέλη και κανένα μειονέκτημα.

Οι άνθρωποι επίσης γεννούν προσωπικά δεδομένα όταν αλληλεπιδρούν με λογισμικό, συμπεριλαμβανομένης της γεννητικής ΤΝ. Για να στερήσουν τη ροή αυτών των δεδομένων, οι χρήστες θα πρέπει να είναι πιο προσεκτικοί ότι οι αλληλεπιδράσεις τους καταγράφονται, αναθεωρούνται, αναλύονται και μοιράζονται. Οι επιλογές τους για την αποφυγή αυτού καταλήγουν στη μείωση του τι αποκαλύπτουν σε διαδικτυακά συστήματα και τη χρήση εν-συσκευής, ανοιχτού κώδικα ΛΛΜ όπου είναι δυνατόν. Οι άνθρωποι, γενικά, ήδη κάνουν μια καλή δουλειά στη ρύθμιση του τι συζητούν δημόσια – απλώς χρειαζόμαστε να επεκτείνουμε αυτούς τους ενστίκτους στο πεδίο της γεννητικής ΤΝ.