क्या जेनरेटिव एआई द्वारा उठाए गए गोपनीयता जोखिमों का स्पष्ट समाधान है?

जेनरेटिव एआई द्वारा उठाए गए गोपनीयता जोखिम वास्तविक हैं। बढ़ी हुई निगरानी और अधिक प्रभावी फ़िशिंग और विशिंग अभियानों के साथ, जेनरेटिव एआई बड़े पैमाने पर गोपनीयता को कम करता है, बिना किसी भेदभाव के, जबकि अपराधी, राज्य-प्रायोजित या सरकारी समर्थित बदमाशों को व्यक्तियों और समूहों को लक्षित करने के लिए आवश्यक उपकरण प्रदान करता है।

इस समस्या का सबसे स्पष्ट समाधान उपभोक्ताओं और उपयोगकर्ताओं को सामूहिक रूप से एआई हYPE को नकारने, एआई सुविधाओं को विकसित या लागू करने वालों से पारदर्शिता मांगने और सरकारी निकायों से प्रभावी विनियमन मांगने के लिए शामिल है। हालांकि इसके लिए प्रयास करना उचित है, यह जल्द ही नहीं होने की संभावना है।

जो बचा है वह जेनरेटिव एआई गोपनीयता जोखिमों को कम करने के लिए उचित, भले ही अपूर्ण, दृष्टिकोण है। लंबी अवधि में, निश्चित रूप से भविष्यवाणी यह है कि जितना अधिक सार्वजनिक डेटा गोपनीयता के बारे में शिक्षित होता है, उतना ही कम जेनरेटिव एआई के बड़े पैमाने पर अपनाने से गोपनीयता जोखिम होते हैं।

क्या हम सभी जेनरेटिव एआई की अवधारणा को सही समझते हैं?

एआई के आसपास का हYPE इतना व्यापक है कि जेनरेटिव एआई का क्या अर्थ है, इसके बारे में एक सर्वेक्षण लगभग अनावश्यक है। बिल्कुल, इनमें से कोई भी “एआई” सुविधाएं, कार्यक्षमताएं और उत्पाद वास्तविक कृत्रिम बुद्धिमत्ता के वास्तविक उदाहरण नहीं हैं। बल्कि, वे मुख्य रूप से मशीन लर्निंग (एमएल), गहरा लर्निंग (डीएल), और बड़े भाषा मॉडल (एलएलएम) के उदाहरण हैं।

जेनरेटिव एआई, जैसा कि नाम से पता चलता है, नई सामग्री उत्पन्न कर सकता है – चाहे वह पाठ (प्रोग्रामिंग भाषाओं सहित), ऑडियो (संगीत और मानव जैसी आवाजें सहित) हो, या वीडियो (ध्वनि के साथ, संवाद, काटने और कैमरा परिवर्तन के साथ)। यह सब मानव-निर्मित सामग्री में पैटर्न की पहचान करने, मिलान करने और पुनरुत्पादन करने के लिए एलएलएम को प्रशिक्षित करके प्राप्त किया जाता है।

चैटजीपीटी को एक उदाहरण के रूप में लेते हैं। जैसे कई एलएलएम, यह तीन व्यापक चरणों में प्रशिक्षित है:

• पूर्व-प्रशिक्षण: इस चरण के दौरान, एलएलएम को इंटरनेट, पुस्तकों, अकादमिक पत्रिकाओं और किसी भी अन्य सामग्री से पाठ्य सामग्री “खिलाया” जाता है जिसमें संभावित रूप से प्रासंगिक या उपयोगी पाठ होता है।
• पर्यवेक्षित निर्देश फ़ाइन-ट्यूनिंग: मॉडल को मानवों से उच्च-गुणवत्ता वाले निर्देश-प्रतिक्रिया जोड़े का उपयोग करके निर्देशों का जवाब देने के लिए अधिक सुसंगत रूप से प्रशिक्षित किया जाता है।
• मानव प्रतिक्रिया से पुनरावृत्ति सीखना (आरएलएचएफ): चैटजीपीटी जैसे एलएलएम अक्सर इस अतिरिक्त प्रशिक्षण चरण से गुजरते हैं, जिसके दौरान मानव उपयोगकर्ताओं के साथ बातचीत का उपयोग मॉडल को सामान्य उपयोग के मामलों के साथ संरेखित करने के लिए किया जाता है।

इन सभी प्रशिक्षण चरणों में डेटा शामिल है, चाहे वह बड़े पैमाने पर पहले से एकत्र किए गए डेटा (जैसे पूर्व-प्रशिक्षण में उपयोग किया जाता है) या लगभग वास्तविक समय में एकत्रित और संसाधित किया जाता है (जैसे आरएलएचएफ में उपयोग किया जाता है)। यह डेटा है जो जेनरेटिव एआई से उत्पन्न गोपनीयता जोखिमों का सबसे बड़ा हिस्सा लेता है।

जेनरेटिव एआई द्वारा उठाए गए गोपनीयता जोखिम क्या हैं?

गोपनीयता तब समझौता किया जाता है जब किसी व्यक्ति (डेटा विषय) से संबंधित व्यक्तिगत जानकारी को अन्य व्यक्तियों या संस्थाओं के लिए उपलब्ध कराया जाता है जिसके लिए डेटा विषय की सहमति नहीं है। एलएलएम को व्यापक श्रृंखला के डेटा पर पूर्व-प्रशिक्षित और फ़ाइन-ट्यून किया जाता है जो व्यक्तिगत डेटा हो सकता है। यह डेटा आमतौर पर सार्वजनिक रूप से उपलब्ध स्रोतों से निकाला जाता है, लेकिन हमेशा नहीं।

यहां तक कि जब यह डेटा सार्वजनिक रूप से उपलब्ध स्रोतों से लिया जाता है, तो इसे एक एलएलएम द्वारा एकत्रित और संसाधित किया जाना और फिर एलएलएम के इंटरफ़ेस के माध्यम से मूल रूप से खोजा जाना गोपनीयता का और उल्लंघन माना जा सकता है।

मानव प्रतिक्रिया से पुनरावृत्ति सीखना (आरएलएचएफ) चरण चीजों को जटिल बनाता है। इस प्रशिक्षण चरण में, वास्तविक मानव उपयोगकर्ताओं के साथ बातचीत का उपयोग मॉडल की प्रतिक्रियाओं को सुधारने और परिष्कृत करने के लिए किया जाता है। इसका मतलब है कि एलएलएम के साथ एक उपयोगकर्ता की बातचीत को देखा, साझा किया और किसी को भी देखा जा सकता है प्रशिक्षण डेटा तक पहुंच है।

अधिकांश मामलों में, यह गोपनीयता का उल्लंघन नहीं है, यह देखते हुए कि अधिकांश एलएलएम डेवलपर्स गोपनीयता नीतियों और सेवा की शर्तों को शामिल करते हैं जो उपयोगकर्ताओं को एलएलएम के साथ बातचीत करने से पहले सहमति देने की आवश्यकता होती है। गोपनीयता जोखिम यह है कि कई उपयोगकर्ताओं को यह एहसास नहीं है कि उन्होंने ऐसे डेटा संग्रह और उपयोग के लिए सहमति दी है। ऐसे उपयोगकर्ता संभवतः अपने साथ बातचीत के दौरान निजी और संवेदनशील जानकारी का खुलासा करेंगे, यह महसूस नहीं करते हुए कि उनकी बातचीत न तो गोपनीय है और न ही निजी है।

इस तरह, हम जेनरेटिव एआई द्वारा उठाए गए तीन मुख्य गोपनीयता जोखिमों पर आते हैं:

• व्यक्तिगत जानकारी वाले बड़े पूर्व-प्रशिक्षण डेटा स्टोर को समझौता और निकासी के लिए कमजोर बनाया जा सकता है।
• पूर्व-प्रशिक्षण डेटा में शामिल व्यक्तिगत जानकारी एलएलएम के प्रश्नों और निर्देशों के प्रति प्रतिक्रियाओं के माध्यम से उसी एलएलएम के अन्य उपयोगकर्ताओं को लीक हो सकती है।
• एलएलएम के साथ बातचीत के दौरान प्रदान की गई व्यक्तिगत और गोपनीय जानकारी एलएलएम के कर्मचारियों और संभावित रूप से तीसरे पक्ष के ठेकेदारों के साथ समाप्त हो जाती है, जहां से इसे देखा या लीक किया जा सकता है।

वे सभी उपयोगकर्ताओं की गोपनीयता के लिए जोखिम हैं, लेकिन व्यक्तिगत रूप से पहचान योग्य जानकारी (पीआईआई) गलत हाथों में पड़ने की संभावना अभी भी काफी कम लगती है। कम से कम तब तक जब तक कि डेटा ब्रोकर इस तस्वीर में प्रवेश नहीं करते। ये कंपनियां व्यक्तिगत रूप से पहचान योग्य जानकारी का पता लगाने, इकट्ठा करने, एकत्र करने और प्रसारित करने में माहिर हैं।

व्यक्तिगत डेटा ने एक प्रकार की वस्तु बन गई है और डेटा-ब्रोकर उद्योग इसे लाभ के लिए प्राप्त करने और प्रसारित करने के लिए उत्पन्न हुआ है। किसी भी व्यक्तिगत डेटा जो “बाहर” जाता है वह डेटा ब्रोकरों द्वारा उठाया जाने और व्यापक रूप से प्रसारित किए जाने की संभावना है।

जेनरेटिव एआई के गोपनीयता जोखिम संदर्भ में

विशिष्ट उत्पादों, सेवाओं और कॉर्पोरेट साझेदारियों के संदर्भ में उपयोगकर्ताओं की गोपनीयता के लिए जेनरेटिव एआई द्वारा उठाए गए जोखिमों पर गौर करने से पहले, आइए जेनरेटिव एआई जोखिमों के पूरे पैलेट पर एक अधिक संरचित नज़र डालें। आईएपीपी के लिए लिखते हुए, मोरेस और प्रेविटाली ने सोलोवे की 2006 की “गोपनीयता का टैक्सोनॉमी” को डेटा-संचालित दृष्टिकोण के माध्यम से परिष्कृत किया, जिसमें 16 गोपनीयता जोखिमों को 12 एआई-विशिष्ट गोपनीयता जोखिमों में कम किया गया।

मोरेस और प्रेविटाली की संशोधित टैक्सोनॉमी में शामिल 12 गोपनीयता जोखिम हैं:

• निगरानी: एआई निगरानी जोखिमों को बढ़ाता है जो व्यक्तिगत डेटा संग्रह के पैमाने और व्यापकता को बढ़ाता है।
• पहचान: एआई प्रौद्योगिकियां विभिन्न डेटा स्रोतों में स्वचालित पहचान लिंकिंग को सक्षम बनाती हैं, जो व्यक्तिगत पहचान के संपर्क में आने से संबंधित जोखिमों को बढ़ाती हैं।
• एकत्रीकरण: एआई विभिन्न टुकड़ों को एकत्रित करता है और एक व्यक्ति के बारे में डेटा के टुकड़े एकत्रित करता है, जिससे गोपनीयता आक्रमण का खतरा होता है।
• फ्रेनोलॉजी और फिजियोग्नोमी: एआई शारीरिक विशेषताओं से व्यक्तित्व या सामाजिक विशेषताओं का अनुमान लगाता है, सोलोवे की टैक्सोनॉमी में नहीं पाया जाने वाला एक नया जोखिम वर्ग।
• माध्यमिक उपयोग: एआई मूल रूप से इरादा किए गए उद्देश्यों के लिए व्यक्तिगत डेटा के उपयोग को बढ़ाता है जो डेटा को फिर से उपयोग करने के माध्यम से।
• बाहर करना: एआई उपयोगकर्ताओं को यह जानने में विफल रहने और उनके डेटा के उपयोग पर नियंत्रण देने में और भी खराब हो जाता है कि उनके डेटा का उपयोग कैसे किया जाता है।
• असुरक्षा: एआई की डेटा आवश्यकताओं और भंडारण प्रथाओं में डेटा लीक और अनुचित पहुंच का जोखिम है।
• प्रकटीकरण: एआई संवेदनशील जानकारी का खुलासा कर सकता है, जैसे कि जेनरेटिव एआई तकनीकों के माध्यम से।
• विकृति: एआई की क्षमता वास्तविक लेकिन झूठी सामग्री का उत्पादन करने के लिए झूठी या भ्रामक जानकारी के प्रसार को बढ़ाता है।
• प्रकटीकरण: एआई अनुचित डेटा साझा करने का कारण बन सकता है जब यह कच्चे डेटा से अतिरिक्त संवेदनशील जानकारी का अनुमान लगाता है।
• बढ़ी हुई पहुंच: एआई संवेदनशील जानकारी को एक व्यापक दर्शकों के लिए अधिक सुलभ बनाता है जो इसके लिए अभिप्रेत नहीं है।
• आक्रमण: एआई प्रौद्योगिकियां व्यक्तिगत स्थान या एकांत में आक्रमण करती हैं, अक्सर निगरानी उपायों के माध्यम से।

यह काफी चिंताजनक पढ़ाई है। यह ध्यान देने योग्य है कि इस टैक्सोनॉमी में जेनरेटिव एआई की प्रवृत्ति को शामिल किया गया है भ्रमित करने के लिए – वास्तविक जानकारी प्रस्तुत करने के बजाय तथ्यात्मक रूप से गलत जानकारी उत्पन्न करने और प्रस्तुत करने के लिए। यह घटना, हालांकि यह दुर्लभ है, भी एक गोपनीयता जोखिम है। झूठी और भ्रामक जानकारी का प्रसार विषय की गोपनीयता को प्रभावित करता है जो सटीक जानकारी के मामले में अधिक सूक्ष्म है।

आइए कुछ वास्तविक एआई उत्पादों के संदर्भ में इन गोपनीयता जोखिमों के कुछ ठोस उदाहरणों पर गहराई से जाएं।

पाठ-आधारित जेनरेटिव एआई प्रणालियों के साथ सीधे इंटरैक्शन

सबसे सरल मामला वह है जिसमें उपयोगकर्ता सीधे जेनरेटिव एआई प्रणाली, जैसे चैटजीपीटी, मिडज़र्नी या जेमिनी के साथ बातचीत करता है। उपयोगकर्ता की इन उत्पादों के साथ बातचीत अक्सर लॉग, संग्रहीत और आरएलएचएफ (मानव प्रतिक्रिया से पुनरावृत्ति सीखना), पर्यवेक्षित निर्देश फ़ाइन-ट्यूनिंग और यहां तक कि अन्य एलएलएम के पूर्व-प्रशिक्षण के लिए उपयोग की जाती है।

इन जैसे कई सेवाओं की गोपनीयता नीतियों का विश्लेषण यह भी खुलासा करता है कि विपणन और डेटा ब्रोकिंग जैसे विभिन्न उद्देश्यों द्वारा समर्थित अन्य डेटा-साझा गतिविधियां हैं। यह जेनरेटिव एआई द्वारा उठाया गया एक और प्रकार का गोपनीयता जोखिम है: ये प्रणालियां विशाल डेटा फ़नल के रूप में वर्णित की जा सकती हैं, जो उपयोगकर्ताओं द्वारा प्रदान किए गए डेटा के साथ-साथ उनके एलएलएम के साथ बातचीत के माध्यम से उत्पन्न होने वाले डेटा को एकत्र करती हैं।

इम्बेडेड जेनरेटिव एआई सिस्टम के साथ इंटरैक्शन

कुछ उपयोगकर्ता जेनरेटिव एआई इंटरफेस के साथ बातचीत कर सकते हैं जो जिस उत्पाद का वे स्पष्ट रूप से उपयोग कर रहे हैं उसमें एम्बेडेड हैं। उपयोगकर्ता को यह एहसास हो सकता है कि वे एक “एआई” सुविधा का उपयोग कर रहे हैं; और कुछ मानते हैं कि वे जिस उत्पाद का उपयोग कर रहे हैं उसमें जेनरेटिव एआई निर्मित या एक्सेस किया जा रहा है। दोनों मामलों में, उपयोगकर्ता को यह एहसास हो सकता है कि वे तकनीकी रूप से एम्बेडेड प्रणाली के साथ अपनी बातचीत से जुड़े नियमों और शर्तों से सहमत हैं।

यहां दो डिग्री की अज्ञानता है: कुछ उपयोगकर्ता जानते हैं कि वे एक जेनरेटिव एआई उत्पाद के साथ बातचीत कर रहे हैं; और कुछ मानते हैं कि वे जिस उत्पाद का उपयोग कर रहे हैं वह जेनरेटिव एआई में निर्मित या एक्सेस किया जा रहा है। दोनों मामलों में, उपयोगकर्ता को यह एहसास हो सकता है कि वे तकनीकी रूप से एम्बेडेड प्रणाली के साथ अपनी बातचीत से जुड़े नियमों और शर्तों से सहमत हैं।

अन्य साझेदारी जो उपयोगकर्ताओं को जेनरेटिव एआई प्रणालियों के संपर्क में लाती हैं

कुछ कंपनियां अपने सॉफ़्टवेयर में जेनरेटिव एआई इंटरफ़ेस को एम्बेड या शामिल करती हैं जो कम स्पष्ट हैं, जिससे उपयोगकर्ता बिना इसके एहसास के तीसरे पक्ष के साथ बातचीत करते हैं और जानकारी साझा करते हैं। सौभाग्य से, “एआई” इतनी प्रभावी बिक्री बिंदु बन गई है कि किसी कंपनी के ऐसे कार्यान्वयन को छिपाने की संभावना नहीं है।

इस संदर्भ में एक और घटना यह है कि जब कंपनियां ओपनएआई जैसी जेनरेटिव एआई कंपनियों के साथ उपयोगकर्ता या ग्राहक डेटा साझा करने की कोशिश करती हैं तो उन्हें जो बढ़ती प्रतिक्रिया का सामना करना पड़ता है। डेटा रिमूवल कंपनी ऑप्टेरी, उदाहरण के लिए, हाल ही में एक निर्णय को उलट दिया ओपनएआई के साथ उपयोगकर्ता डेटा साझा करने के लिए, जो डिफ़ॉल्ट रूप से कार्यक्रम में नामांकित उपयोगकर्ताओं को शामिल करता है।

न केवल ग्राहकों ने अपनी निराशा को तेजी से आवाज दी, बल्कि कंपनी की डेटा-रिमूवल सेवा को गोपनीयता गाइड्स की सिफारिश की गई डेटा-रिमूवल सेवाओं की सूची से भी हटा दिया गया। ऑप्टेरी के लिए श्रेय कि यह जल्दी और पारदर्शी रूप से अपने निर्णय को उलट दिया, लेकिन यह प्रतिक्रिया ही यहाँ महत्वपूर्ण है: लोग जेनरेटिव एआई प्रणालियों के साथ डेटा साझा करने के जोखिमों की सराहना करना शुरू कर रहे हैं।

ऑप्टेरी का मामला यहाँ एक अच्छा उदाहरण बनाता है क्योंकि इसके उपयोगकर्ता जेनरेटिव एआई डेटा उपयोग के आसपास बढ़ती संदेह के वanguard में हैं। जो लोग डेटा-रिमूवल सेवा का विकल्प चुनते हैं वे आमतौर पर वे लोग होते हैं जो नियमों और शर्तों में परिवर्तनों और गोपनीयता नीतियों पर ध्यान देते हैं।

जेनरेटिव एआई डेटा उपयोग के खिलाफ बढ़ती प्रतिक्रिया के साक्ष्य

गोपनीयता-सचेत उपभोक्ताओं के अलावा जेनरेटिव एआई प्रणालियों और उनके संबंधित गोपनीयता जोखिमों के बारे में चिंता उठाने वाले अन्य लोगों में विधायी स्तर शामिल है। यूरोपीय संघ के कृत्रिम बुद्धिमत्ता अधिनियम जोखिमों को उनकी गंभीरता के अनुसार वर्गीकृत करता है, जिसमें अधिकांश मामलों में डेटा गोपनीयता को स्पष्ट या अंतर्निहित मानदंड के रूप में शामिल किया जाता है। अधिनियम सूचना सहमति के मुद्दों को भी संबोधित करता है जिन पर हमने पहले चर्चा की थी।

संयुक्त राज्य अमेरिका, जो व्यापक, संघीय डेटा गोपनीयता कानूनों को अपनाने के लिए कुख्यात रूप से धीमा है, कम से कम कुछ गार्डरेल के लिए कार्यकारी आदेश 14110 के माध्यम से धन्यवाद है। फिर से, डेटा गोपनीयता चिंताएं आदेश के उद्देश्यों के लिए आगे रखी गई हैं: “एआई प्रौद्योगिकियों का अनुचित उपयोग सामाजिक हानियों जैसे धोखाधड़ी, भेदभाव, पूर्वाग्रह और गलत सूचना को बढ़ा सकता है” – सभी व्यक्तिगत डेटा की उपलब्धता और प्रसार से संबंधित हैं।

उपभोक्ता स्तर पर लौटते हुए, यह सिर्फ विशेष रूप से गोपनीयता-सचेत उपभोक्ता ही नहीं हैं जिन्होंने गोपनीयता-आक्रामक जेनरेटिव एआई कार्यान्वयन पर आपत्ति जताई है। माइक्रोसॉफ्ट की अब-कुख्यात “एआई-संचालित” रिकॉल सुविधा, जो अपने विंडोज 11 ऑपरेटिंग सिस्टम के लिए नियत थी, एक प्रमुख उदाहरण है। एक बार जब गोपनीयता और सुरक्षा जोखिमों का विस्तार हो गया, तो प्रतिक्रिया पर्याप्त थी कि तकनीक दिग्गज ने पीछे हटने का फैसला किया। दुर्भाग्य से, माइक्रोसॉफ्ट विचार को नहीं छोड़ने के लिए प्रतीत होता है, लेकिन प्रारंभिक सार्वजनिक प्रतिक्रिया अभी भी प्रोत्साहित करने वाली है।

माइक्रोसॉफ्ट के साथ रहना, इसका कोपिलॉट कार्यक्रम डेटा गोपनीयता और डेटा सुरक्षा दोनों के लिए आलोचना का विषय रहा है। जैसा कि कोपिलॉट को गिटहब डेटा (मुख्य रूप से स्रोत कोड) पर प्रशिक्षित किया गया था, विवाद प्रोग्रामर और डेवलपर्स के सॉफ़्टवेयर लाइसेंसिंग समझौतों के कथित उल्लंघन के बारे में भी उत्पन्न हुआ। यह मामलों में है कि गोपनीयता और बौद्धिक संपदा अधिकारों के बीच रेखाएं धुंधली हो जाती हैं – जो बाद वाले को एक मौद्रिक मूल्य देता है।

शायद एआई एक लाल झंडा उपभोक्ताओं की आंखों में बनने का सबसे बड़ा संकेत यह है कि एप्पल को अपने प्रारंभिक एआई लॉन्च के लिए, विशेष रूप से ओपनएआई के साथ डेटा साझा करने के समझौतों के संबंध में एक ठंडा से ठंडा सार्वजनिक प्रतिक्रिया मिली।

टुकड़े-टुकड़े समाधान

विधायकों, डेवलपर्स और कंपनियों द्वारा जेनरेटिव एआई द्वारा उठाए गए जोखिमों को कम करने के लिए कदम उठाए जा सकते हैं। ये जोखिमों के विशिष्ट पहलुओं के लिए विशेषज्ञता वाले समाधान हैं। इनमें से कोई भी समाधान पर्याप्त नहीं है, लेकिन सभी एक साथ मिलकर वास्तविक अंतर ला सकते हैं।

• डेटा कमी. एकत्रित और संग्रहीत किए जाने वाले डेटा की मात्रा को कम करना एक उचित लक्ष्य है, लेकिन यह जेनरेटिव एआई डेवलपर्स की प्रशिक्षण डेटा की इच्छा के विपरीत है।
• पारदर्शिता. वर्तमान राज्य की कला में एमएल के लिए यह तकनीकी रूप से संभव नहीं हो सकता है। जेनरेटिव एआई इंटरैक्शन में गोपनीयता सुनिश्चित करने के लिए यह जानना कि कौन सा डेटा संसाधित किया जा रहा है और कैसे जब कोई विशिष्ट आउटपुट उत्पन्न किया जा रहा है।
• गुमनामीकरण. डेटा मिनिमाइजेशन (डेटा कमी) के माध्यम से बाहर नहीं किए जा सकने वाले किसी भी व्यक्तिगत रूप से पहचान योग्य जानकारी (पीआईआई) को गुमनाम करना चाहिए। समस्या यह है कि कई लोकप्रिय गुमनामीकरण और छद्म नामकरण तकनीकें आसानी से पराजित हो जाती हैं।
• उपयोगकर्ता सहमति. उपयोगकर्ताओं को अपने डेटा के संग्रह और साझा करने के लिए सहमति देने की आवश्यकता है जो आवश्यक है, लेकिन इसका दुरुपयोग करने और उपभोक्ता उदासीनता के लिए बहुत खुला है, इसलिए यह प्रभावी नहीं है। यहाँ सूचित सहमति की आवश्यकता है, और अधिकांश उपभोक्ता, ठीक से सूचित, ऐसे डेटा साझा करने के लिए सहमत नहीं होंगे, इसलिए प्रोत्साहन गलत तरीके से संरेखित हैं।
• संचरण और विश्राम में डेटा की सुरक्षा. डेटा गोपनीयता और डेटा सुरक्षा दोनों के लिए एक और आधार, क्रिप्टोग्राफिक और अन्य साधनों के माध्यम से सुरक्षा को और अधिक प्रभावी बनाया जा सकता है। हालांकि, जेनरेटिव एआई प्रणालियां अपने इंटरफेस के माध्यम से डेटा को रिसाव करने के लिए प्रवण होती हैं, जो इसे केवल आंशिक समाधान बनाती हैं।
• कॉपीराइट और बौद्धिक संपदा कानून को लागू करना सो-कॉल्ड एआई के संदर्भ में। एमएल एक “ब्लैक बॉक्स” में संचालित हो सकता है, जो यह पता लगाना मुश्किल बना देता है कि कॉपीराइट सामग्री और बौद्धिक संपदा का कौन सा हिस्सा जेनरेटिव एआई आउटपुट में समाप्त होता है।
• अधिकारी। एक और महत्वपूर्ण गार्डरेल उपाय जो एलएलएम और जेनरेटिव एआई प्रणालियों द्वारा समर्थित ब्लैक-बॉक्स प्रकृति द्वारा बाधित है। इस अंतर्निहित सीमा को जोड़कर, अधिकांश जेनरेटिव एआई उत्पादों की बंद-स्रोत प्रकृति ऑडिट को केवल उन लोगों तक सीमित करती है जो डेवलपर की सुविधा पर किए जाते हैं।

इन सभी दृष्टिकोणों से जेनरेटिव एआई द्वारा उठाए गए जोखिमों को कम करने के लिए मान्य और आवश्यक हैं। हालांकि, वे सभी को प्रभावी होने के लिए विधायी समर्थन की आवश्यकता है, जिसका अर्थ है कि वे इस गतिशील क्षेत्र के विकास के साथ तालमेल नहीं रख पाएंगे।

स्पष्ट समाधान

जेनरेटिव एआई द्वारा उठाए गए गोपनीयता जोखिमों का समाधान न तो क्रांतिकारी है और न ही रोमांचक, लेकिन इसके तार्किक निष्कर्ष पर ले जाने पर इसके परिणाम दोनों हो सकते हैं। स्पष्ट समाधान में दैनिक उपभोक्ताओं को यह महसूस कराना शामिल है कि कंपनियों के लिए उनके डेटा का मूल्य क्या है और स्वयं के लिए डेटा गोपनीयता का मूल्य क्या है।

उपभोक्ता निजी जानकारी के स्रोत और इंजन हैं जो आधुनिक निगरानी अर्थव्यवस्था को शक्ति प्रदान करते हैं। एक बार जब एक महत्वपूर्ण मात्रा में उपभोक्ता सार्वजनिक क्षेत्र में निजी डेटा के प्रवाह को रोकना शुरू कर देते हैं और कंपनियों से अपने डेटा के साथ कैसा व्यवहार किया जाता है, इसके लिए जवाबदेही मांगना शुरू कर देते हैं, तो प्रणाली को स्वयं-सुधार करना होगा।

जेनरेटिव एआई के बारे में प्रोत्साहित करने वाली बात यह है कि यह वर्तमान विज्ञापन और विपणन मॉडल के विपरीत, व्यक्तिगत जानकारी को शामिल करने की आवश्यकता नहीं है। पूर्व-प्रशिक्षण और फ़ाइन-ट्यूनिंग डेटा में व्यक्तिगत रूप से पहचान योग्य जानकारी (पीआईआई) या अन्य व्यक्तिगत डेटा शामिल नहीं होना चाहिए और उपयोगकर्ताओं को जेनरेटिव एआई प्रणालियों के साथ बातचीत करते समय ऐसा करने की आवश्यकता नहीं है।

लोग प्रशिक्षण डेटा से अपनी व्यक्तिगत जानकारी हटाने के लिए सीधे स्रोत पर जा सकते हैं और विभिन्न डेटा ब्रोकरों (लोगों की खोज साइटों सहित) से अपने प्रोफाइल हटा सकते हैं जो सार्वजनिक रिकॉर्ड को एकत्र करते हैं और उन्हें खुले बाजार में लाते हैं। व्यक्तिगत डेटा हटाने की सेवाएं इस प्रक्रिया को स्वचालित करती हैं, इसे तेज़ और आसान बनाती हैं। निश्चित रूप से, इन कंपनियों के डेटाबेस से व्यक्तिगत डेटा हटाने से कई अन्य लाभ हैं और कोई नकारात्मक पक्ष नहीं है।

लोग सॉफ्टवेयर के साथ बातचीत करते समय, जेनरेटिव एआई सहित, व्यक्तिगत डेटा उत्पन्न करते हैं। इस डेटा के प्रवाह को रोकने के लिए, उपयोगकर्ताओं को यह महसूस करना होगा कि उनकी बातचीत दर्ज की जा रही है, समीक्षा की जा रही है, विश्लेषण की जा रही है और साझा की जा रही है। उनके पास इसे टालने के लिए केवल दो विकल्प हैं: ऑनलाइन प्रणालियों के साथ जो वे खुलासा करते हैं और जहां संभव हो वहां ऑन-डिवाइस, ओपन-सोर्स एलएलएम का उपयोग करना। लोग आम तौर पर सार्वजनिक रूप से क्या चर्चा करते हैं इसे नियंत्रित करने का एक अच्छा काम करते हैं – हमें केवल इन प्रवृत्तियों को जेनरेटिव एआई के क्षेत्र में विस्तारित करने की आवश्यकता है।