จริยธรรม
นักวิจัยเชื่อว่า AI สามารถช่วยปกป้องความเป็นส่วนตัวของคนได้
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
ศาสตราจารย์สองคนในสาขาวิทยาศาสตร์ข้อมูลได้ตีพิมพ์ บทความใน The Conversation โดยให้เหตุผลว่า AI สามารถช่วยรักษาความเป็นส่วนตัวของคนได้ โดยแก้ไขปัญหาที่ AI สร้างขึ้นเอง
จิ๋วหยวน เฉิน และ อาร์ย์ยา กังโกปัธยัยย์ ให้เหตุผลว่า อัลกอริทึม AI สามารถใช้เพื่อปกป้องความเป็นส่วนตัวของคน โดยช่วยลดผลกระทบจากปัญหาความเป็นส่วนตัวที่ AI สร้างขึ้นเอง เฉินและกังโกปัธยัยย์ยอมรับว่าผลิตภัณฑ์ AI ที่เราสามารถใช้ได้สะดวกนั้นไม่สามารถทำงานได้หากไม่มีการเข้าถึงข้อมูลจำนวนมาก ซึ่งดูเหมือนว่าจะขัดแย้งกับการพยายามรักษาความเป็นส่วนตัว นอกจากนี้ เมื่อ AI ถูกนำไปใช้ในอุตสาหกรรมและแอปพลิเคชันต่างๆ มากขึ้น จะมีการรวบรวมและจัดเก็บข้อมูลมากขึ้น ทำให้ฐานข้อมูลมีความเสี่ยงต่อการถูกโจมตีมากขึ้น อย่างไรก็ตาม เฉินและกังโกปัธยัยย์เชื่อว่าหากใช้ AI อย่างถูกต้อง AI สามารถช่วยลดปัญหาความเป็นส่วนตัวเหล่านี้ได้
เฉินและกังโกปัธยัยย์อธิบายในบทความของพวกเขาว่าความเสี่ยงต่อความเป็นส่วนตัวที่เกี่ยวข้องกับ AI มาจากแหล่งที่มาอย่างน้อยสองแหล่ง แหล่งที่มาแรกคือข้อมูลที่รวบรวมเพื่อฝึกโมเดลเครือข่ายประสาทเทียม และอีกแหล่งหนึ่งคือโมเดลเอง ข้อมูลสามารถ “รั่ว” จากโมเดลเหล่านี้ โดยพฤติกรรมของโมเดลอาจเปิดเผยรายละเอียดเกี่ยวกับข้อมูลที่ใช้ในการฝึก
เครือข่ายประสาทเทียมลึกประกอบด้วยหลายชั้นของเซลล์ประสาท โดยแต่ละชั้นเชื่อมต่อกับชั้นที่อยู่ข้างๆ เซลล์ประสาทแต่ละตัวและลิงก์ระหว่างเซลล์ประสาทจะเข้ารหัสข้อมูลฝึกแต่ละส่วน โมเดลอาจจดจำรูปแบบข้อมูลฝึกได้ดีเกินไป แม้ว่าโมเดลจะไม่ overfitting ก็ตาม ส่วนที่เหลือของข้อมูลฝึกยังคงอยู่ในเครือข่าย และผู้กระทำผิดอาจสามารถระบุรายละเอียดของข้อมูลฝึกได้ ตามที่มหาวิทยาลัยคอร์แนล พบในการศึกษา นักวิจัยของคอร์แนลพบว่าแอลกอริทึมการรู้จำใบหน้าสามารถถูกโจมตีโดยผู้โจมตีเพื่อเปิดเผยภาพและคนซึ่งใช้ในการฝึกโมเดลการรู้จำใบหน้า นักวิจัยของคอร์แนลพบว่าแม้ว่าผู้โจมตีจะไม่มีการเข้าถึงโมเดลเดิมที่ใช้ในการฝึกแอปพลิเคชัน ผู้โจมตีก็ยังสามารถสืบค้นเครือข่ายและกำหนดได้ว่าบุคคลใดถูกใช้ในการฝึกข้อมูลโดยใช้โมเดลที่ฝึกด้วยข้อมูลที่คล้ายกัน
ปัจจุบัน มีโมเดล AI บางตัวที่ถูกใช้เพื่อป้องกันการรั่วไหลของข้อมูลและพยายามรักษาความเป็นส่วนตัวของคน โมเดล AI มักถูกใช้ในการตรวจจับการโจมตีโดยการรู้จำรูปแบบพฤติกรรมที่ผู้โจมตีใช้ในการเจาะระบบความปลอดภัย อย่างไรก็ตาม ผู้โจมตีมักเปลี่ยนพฤติกรรมเพื่อหลอกลวง AI ที่ตรวจจับรูปแบบ
วิธีการฝึกและพัฒนา AI ใหม่ๆ มีเป้าหมายที่จะทำให้โมเดล AI และแอปพลิเคชันนั้นมีความเสี่ยงต่อการโจมตีน้อยลง วิธีการเรียนรู้แบบ Adversarial มุ่งหวังที่จะฝึกโมเดล AI ด้วยการจำลองข้อมูลอินพุตที่เป็นอันตรายหรือเป็นอันตราย และทำให้โมเดลมีความทนทานต่อการโจมตีมากขึ้น ตามที่เฉินและกังโกปัธยัยย์ พบ วิธีการต่อต้านมัลแวร์ที่ออกแบบมาเพื่อขโมยข้อมูลส่วนบุคคล นักวิจัยทั้งสองอธิบายว่าวิธีการที่พวกเขาพบว่ามีประสิทธิภาพมากที่สุดในการต่อต้านมัลแวร์คือการแนะนำความไม่แน่นอนเข้าไปในโมเดล โดยมีเป้าหมายที่จะทำให้ผู้กระทำผิดยากต่อการคาดเดาว่าโมเดลจะตอบสนองต่ออินพุตใดๆ อย่างไร
วิธีการอื่นๆ ในการใช้ AI เพื่อปกป้องความเป็นส่วนตัว ได้แก่ การลดการเปิดเผยข้อมูลเมื่อสร้างและฝึกโมเดล ตลอดจนการตรวจสอบเพื่อค้นหาความเสี่ยงของเครือข่าย เมื่อพูดถึงการรักษาความเป็นส่วนตัวของข้อมูล การเรียนรู้แบบ Federated สามารถช่วยปกป้องความเป็นส่วนตัวของข้อมูลที่ละเอียดอ่อน โดยอนุญาตให้โมเดลฝึกโดยไม่ต้องให้ข้อมูลฝึกออกจากอุปกรณ์ท้องถิ่นที่มีข้อมูล ทำให้ข้อมูลและพารามิเตอร์ของโมเดลหลายตัวไม่ถูกจารกรรม
ในที่สุด เฉินและกังโกปัธยัยย์ให้เหตุผลว่า แม้ว่าการแพร่กระจายของ AI จะสร้างภัยคุกคามใหม่ๆ ต่อความเป็นส่วนตัวของคน แต่ AI ก็สามารถช่วยปกป้องความเป็นส่วนตัวได้เมื่อถูกออกแบบและพัฒนาอย่างรอบคอบ
