Ερευνητές Πιστεύουν ότι το AI Μπορεί να Χρησιμοποιηθεί για την Προστασία της Ιδιωτικής Ζωής των Ανθρώπων

Δύο καθηγητές επιστημών της πληροφορικής έχουν δημοσιεύσει πρόσφατα ένα άρθρο στο The Conversation, υποστηρίζοντας ότι το AI μπορεί να χρησιμοποιηθεί για τη διατήρηση της ιδιωτικής ζωής των ανθρώπων, διορθώνοντας κάποια από τα προβλήματα που έχει δημιουργήσει.

Ο Zhiyuan Chen και ο Aryya Gangopadhyay υποστηρίζουν ότι οι αλγόριθμοι του τεχνητού νοημοσύνου μπορούν να χρησιμοποιηθούν για την άμυνα της ιδιωτικής ζωής των ανθρώπων, αντίστοιχα με κάποια από τα πολλά προβλήματα ιδιωτικής ζωής που έχουν δημιουργηθεί από άλλες χρήσεις του AI. Ο Chen και ο Gangopadhyay αναγνωρίζουν ότι πολλά από τα προϊόντα που οδηγούμε με AI για ευκολία δεν θα λειτουργούσαν χωρίς πρόσβαση σε μεγάλες ποσότητες δεδομένων, τα οποία στην πρώτη ματιά φαίνεται να είναι αντίθετα με τις προσπάθειες για τη διατήρηση της ιδιωτικής ζωής. Επιπλέον, καθώς το AI εξαπλώνεται σε περισσότερες και περισσότερες βιομηχανίες και εφαρμογές, θα συλλεχθούν και θα αποθηκευτούν περισσότερα δεδομένα σε βάσεις δεδομένων, καθιστώντας τις παραβιάσεις αυτών των βάσεων δεδομένων ελκυστικές. Ωστόσο, ο Chen και ο Gangopadhyay πιστεύουν ότι όταν χρησιμοποιείται σωστά, το AI μπορεί να βοηθήσει στην μείωση αυτών των προβλημάτων.

Ο Chen και ο Gangopadhyay εξηγούν στο άρθρο τους ότι οι κίνδυνοι ιδιωτικής ζωής που σχετίζονται με το AI προέρχονται από τουλάχιστον δύο διαφορετικές πηγές. Η πρώτη πηγή είναι τα μεγάλα σύνολα δεδομένων που συλλέγονται για την εκπαίδευση των μοντέλων νευρωνικών δικτύων, ενώ η δεύτερη απειλή για την ιδιωτική ζωή είναι τα ίδια τα μοντέλα. Τα δεδομένα μπορούν να “διαρρεύσουν” από αυτά τα μοντέλα, με τη συμπεριφορά των μοντέλων να αποκαλύπτει λεπτομέρειες σχετικά με τα δεδομένα που χρησιμοποιήθηκαν για την εκπαίδευσή τους.

Τα βαθιά νευρωνικά δίκτυα αποτελούνται από πολλαπλά στρώματα νευρώνων, με κάθε στρώμα να συνδέεται με τα γύρω στρώματα. Οι μεμονωμένοι νευρώνες, καθώς και οι σύνδεσμοι μεταξύ των νευρώνων, κωδικοποιούν διαφορετικά τμήματα των δεδομένων εκπαίδευσης. Το μοντέλο μπορεί να αποδειχθεί πολύ καλό στην αναγνώριση των προτύπων των δεδομένων εκπαίδευσης, ακόμη και αν το μοντέλο δεν υπερβαίνει. Ιχνηλάτες των δεδομένων εκπαίδευσης υπάρχουν μέσα στο δίκτυο και οι κακόβουλοι ηθοποιοί μπορεί να είναι σε θέση να ανιχνεύσουν аспектς των δεδομένων εκπαίδευσης, όπως η Cornell University βρήκε κατά τη διάρκεια μιας από τις μελέτες της. Οι ερευνητές της Cornell發 Hiện ότι ακόμη και αν ένας επιτιθέμενος δεν έχει πρόσβαση στο αρχικό μοντέλο που χρησιμοποιήθηκε για την εκπαίδευση της εφαρμογής, ο επιτιθέμενος μπορεί ακόμη να είναι σε θέση να ανακαλύψει αν ένας συγκεκριμένος άνθρωπος ήταν μέρος των δεδομένων εκπαίδευσης, απλώς χρησιμοποιώντας μοντέλα που εκπαιδεύτηκαν σε πολύ παρόμοια δεδομένα.

Κάποια μοντέλα AI χρησιμοποιούνται τώρα για την προστασία ενάντια στις παραβιάσεις δεδομένων και για την εξασφάλιση της ιδιωτικής ζωής των ανθρώπων. Τα μοντέλα AI χρησιμοποιούνται συχνά για την ανίχνευση των επιθέσεων των χάκερ αναγνωρίζοντας τα πρότυπα συμπεριφοράς που χρησιμοποιούν οι χάκερ για να διεισδύσουν στα μέτρα ασφαλείας. Ωστόσο, οι χάκερ συχνά αλλάζουν την συμπεριφορά τους για να εξαπατήσουν τα μοντέλα AI που ανιχνεύουν πρότυπα.

Νέες μεθόδους εκπαίδευσης και ανάπτυξης του AI στοχεύουν στο να κάνουν τα μοντέλα και τις εφαρμογές του AI λιγότερο ευάλωτες στις μεθόδους χάκινγκ και τις τακτικές αποφυγής ασφαλείας. Η ανταγωνιστική μάθηση επιδιώκει να εκπαιδεύσει τα μοντέλα AI σε προσομοιώσεις κακόβουλων ή επιζήμιων εισροών και με αυτόν τον τρόπο να κάνει το μοντέλο πιο ανθεκτικό στην εκμετάλλευση, από όπου προέρχεται το “ανταγωνιστικό” στο όνομα. Σύμφωνα με τον Chen και τον Gangopadhyay, η έρευνά τους έχει ανακαλύψει μεθόδους για την καταπολέμηση του κακόβουλου λογισμικού που σχεδιάζεται για την κλοπή των ιδιωτικών πληροφοριών των ανθρώπων. Οι δύο ερευνητές εξήγησαν ότι μια από τις μεθόδους που βρήκαν να είναι πιο αποτελεσματική στην αντίσταση στο κακόβουλο λογισμικό ήταν η εισαγωγή αβεβαιότητας στο μοντέλο. Ο στόχος είναι να κάνει πιο δύσκολο για τους κακόβουλους ηθοποιούς να προβλέψουν πώς θα αντιδράσει το μοντέλο σε οποιαδήποτε δεδομένη είσοδο.

Άλλες μεθόδους για την利用 του AI για την προστασία της ιδιωτικής ζωής περιλαμβάνουν την ελαχιστοποίηση της έκθεσης των δεδομένων όταν το μοντέλο δημιουργείται και εκπαιδεύεται, καθώς και την ανίχνευση για την ανακάλυψη των ευαλωτότητων του δικτύου. Όταν πρόκειται για τη διατήρηση της ιδιωτικής ζωής των δεδομένων, η ομοσπονδιακή μάθηση μπορεί να βοηθήσει στην προστασία της ιδιωτικής ζωής των ευαίσθητων δεδομένων, καθώς επιτρέπει σε ένα μοντέλο να εκπαιδευτεί χωρίς τα δεδομένα εκπαίδευσης να εγκαταλείψουν ποτέ τις τοπικές συσκευές που περιέχουν τα δεδομένα, απομονώνοντας τα δεδομένα και πολλά από τα παραμέτρους του μοντέλου από την κατασκοπία.

Τελικά, ο Chen και ο Gangopadhyay υποστηρίζουν ότι ενώ η διάδοση του AI έχει δημιουργήσει новые απειλές για την ιδιωτική ζωή των ανθρώπων, το AI μπορεί επίσης να βοηθήσει στην προστασία της ιδιωτικής ζωής όταν σχεδιάζεται με φροντίδα και προσοχή.