حریم خصوصی هوش مصنوعی با داده های شما شروع می شود

از آنجایی که کسب‌وکارها به برنامه‌ها و عوامل هوش مصنوعی دسترسی به سیستم‌های داخلی بیشتری می‌دهند، مدیریت حریم خصوصی داده‌ها سخت‌تر می‌شود. بیشتر تمرکز بر روی ریسک قرار گرفتن مدل‌های هوش مصنوعی در پاسخ‌های خود به اطلاعات حساس یا محرمانه بوده است. اما چالش حریم خصوصی زودتر شروع می شود. سازمان‌ها همچنین باید بدانند که سیستم‌های هوش مصنوعی در وهله اول به چه داده‌هایی دسترسی دارند، این داده‌ها از کجا می‌آیند و چگونه استفاده می‌شوند.

این چالش در حال حاضر پذیرش هوش مصنوعی را متوقف کرده است. 95 درصد از شرکت ها پروژه های هوش مصنوعی را به دلیل چالش های زیرساختی و حاکمیت داده به تعویق انداخته یا لغو کرده اند. از آنجایی که هوش مصنوعی استقلال و دسترسی بیشتری به داده‌های شرکت به دست می‌آورد، کسب‌وکارها باید قبل از اینکه کنترل خطرات حریم خصوصی غیرممکن شود، پایه‌ها را درست کنند.

قبل از اینکه اطلاعات به مدل برسد

حریم خصوصی داده ها فقط یک نگرانی قانونی یا انطباق نیست. این باید برای همه کسانی که داده ها را در یک سازمان لمس می کنند مهم باشد. با هوش مصنوعی، عواقب اشتباه در حال افزایش است، از افشای اطلاعات حساس گرفته تا آسیب رساندن به اعتماد مشتری و شهرت برند.

این خطرات می توانند قبل از اینکه داده های حساس به یک مدل هوش مصنوعی برسند ظاهر شوند. داده‌های ضعیف طبقه‌بندی‌شده، تکراری یا قدیمی می‌توانند مشکلات حریم خصوصی موجود را به برنامه‌های هوش مصنوعی منتقل کنند و ضعف‌هایی که قبلا در سیستم‌های فردی وجود داشت را به خطرات بسیار گسترده‌تری تبدیل کنند.

هوش مصنوعی عامل خطرات را بیشتر می کند. از آنجایی که نمایندگان استقلال و دسترسی بیشتر به سیستم‌های شرکت بیشتری پیدا می‌کنند، می‌توانند به طور فزاینده‌ای اطلاعات را در بخش‌های مختلف کسب‌وکار آشکار کنند و بر روی آنها عمل کنند. بنابراین کنترل یک مسئله حریم خصوصی که زمانی در یک مجموعه داده یا سیستم وجود داشت بسیار دشوارتر می شود.

بدانید داده های حساس به کجا می روند

شناسایی داده های حساس تنها اولین قدم در مدیریت آن چالش حریم خصوصی است. کسب‌وکارها همچنین باید مکان حرکت آن را ردیابی کنند، به‌ویژه زمانی که اطلاعات از سیستم‌های زنده به محیط‌های آزمایش یا توسعه کپی می‌شود که ممکن است کنترل‌های امنیتی مشابهی نداشته باشند.

اطلاعات قابل شناسایی شخصی (PII)، مانند نام، آدرس یا جزئیات مالی، باید به وضوح برچسب گذاری شوند تا بتوان قبل از جابجایی آن ها را شناسایی کرد. در صورت امکان، اطلاعات حساس باید در سیستم‌های زنده و در جایی که به آن نیاز است باقی بماند. اگر نیاز به استفاده در جای دیگری باشد، حذف یا پوشاندن جزئیات شناسایی می تواند خطر قرار گرفتن در معرض غیر ضروری را کاهش دهد.

هنگامی که داده ها از سیستم های موجود به پلتفرم های ابری منتقل می شوند یا برای هوش مصنوعی آماده می شوند، همین اصل اعمال می شود. حفظ فراداده دقیق - اطلاعاتی که توصیف می کند چه داده هایی حاوی و از کجا آمده اند - می تواند شناسایی و ردیابی اطلاعات حساس را آسان تر کند. همراه با سوابق واضحی از نحوه جابجایی و تغییر داده‌ها، این به کسب‌وکارها کمک می‌کند تا قبل از اینکه اطلاعات به جایی برسد که نباید خطرات حریم خصوصی را شناسایی کنند.

مقیاس گذاری هوش مصنوعی بدون مقیاس پذیری ریسک

دانستن اینکه داده‌های حساس در کجا قرار می‌گیرند و حرکت می‌کنند، پایه مهمی را فراهم می‌کند، اما این حفاظت‌ها همچنین باید با رشد استفاده از ابزار هوش مصنوعی کار کنند. شکاف بین جاه‌طلبی هوش مصنوعی و آمادگی داده‌ها همچنان قابل‌توجه است، با تحقیقات اخیر نشان می‌دهد که در حالی که ۹۷ درصد از سازمان‌ها دارای ابتکارات هوش مصنوعی فعال هستند، تنها ۵ درصد معتقدند داده‌های آن‌ها کاملا برای پشتیبانی از آنها آماده است. حفظ حریم خصوصی، انطباق و کیفیت پایین داده ها همچنان موانع اصلی هستند.

مدیریت این خطرات در مقیاس به معنای بررسی نحوه مدیریت داده ها است. کسب‌وکارها باید تبدیل داده‌ها را خودکار کنند و کیفیت داده‌ها را به طور مداوم نظارت کنند، در حالی که به طور خودکار ثبت می‌کنند که داده‌ها از کجا آمده‌اند، چگونه تغییر کرده‌اند و کدام برنامه‌های هوش مصنوعی از آن استفاده می‌کنند. این به تیم ها کمک می کند تا داده های پرخطر را اولویت بندی کنند و به سرعت تغییرات غیرمنتظره یا مشکلات کیفیت را بررسی کنند.

داده های آموزشی نیز نیاز به بررسی منظم دارند. سازمان‌ها باید اطلاعات نادرست یا مغرضانه‌ای را که می‌تواند منجر به نتایج غیرقابل اعتماد یا تبعیض‌آمیز شود، بررسی کنند، در حالی که اطمینان حاصل می‌کنند که داده‌های شخصی تنها در مواردی که مناسب است و حقوق افراد رعایت می‌شود، استفاده می‌شوند. استفاده از داده‌های مسئول بخشی از نحوه توسعه و استقرار هوش مصنوعی می‌تواند به ایجاد یک محیط امن‌تر و ایجاد اعتماد در خدمات حاصل کمک کند.

دسترسی و نگهداری را تحت کنترل نگه دارید

اما نظم دادن به داده ها پایان چالش حفظ حریم خصوصی نیست. کسب‌وکارها همچنین باید مرتبا بررسی کنند که چه کسی می‌تواند به اطلاعات حساس دسترسی داشته باشد و آیا این دسترسی هنوز مناسب است یا خیر. یک گام عملی مقایسه مجوزهای دسترسی با سوابق منابع انسانی برای افرادی است که در حال پیوستن، ترک یا تغییر نقش هستند.

این می تواند مواردی را که در آن کارمندان به اطلاعاتی که دیگر نیازی ندارند دسترسی داشته باشند علامت گذاری کند. همین اصل باید در مورد سیستم‌ها و عوامل هوش مصنوعی نیز اعمال شود: دسترسی باید به اطلاعات مورد نیاز برای یک کار خاص محدود شود، نه اینکه به آنها دسترسی کامل به داده‌های شرکت داده شود.

مدیریت مسئولانه داده ها همچنین به معنای این است که آیا اطلاعات هنوز نیاز به نگهداری دارد یا خیر. کسب‌وکارها می‌توانند به طور مرتب داده‌های شخصی یا مشتری را که دیگر مورد نیاز نیستند شناسایی کرده و مطابق با خط‌مشی‌های حفظ آن‌ها را برای حذف پرچم‌گذاری کنند. نگهداری داده‌های حساس غیرضروری کمتر، میزان اطلاعاتی را که می‌تواند در معرض دید قرار گیرد، کاهش می‌دهد و به شرکت‌ها کمک می‌کند تا ریسک حریم خصوصی را کاهش دهند و از اعتماد مشتری محافظت کنند.

ایجاد اعتماد با تکامل هوش مصنوعی

با افزایش توانمندی هوش مصنوعی و به عهده گرفتن مسئولیت بیشتر در تجارت روزمره، مقررات شفاف اهمیت فزاینده ای پیدا می کند. در جایی که هوش مصنوعی برای تصمیم‌گیری یا اطلاع‌رسانی مربوط به داده‌های شخصی استفاده می‌شود، قوانین حریم خصوصی واضح می‌تواند به سازمان‌ها حفاظی برای نوآوری بدهد و در عین حال اطمینان حاصل شود که پیشرفت به قیمت حفاظت از اطلاعات افراد تمام نمی‌شود.

با پذیرش شیوه‌های هوش مصنوعی مسئولانه، سازمان‌ها می‌توانند ضمن محافظت از حقوق اساسی و تقویت اعتماد بیشتر به نتایج آن، از قدرت هوش مصنوعی استفاده کنند.

ما بهترین محافظت از سرقت هویت را ارائه کرده ایم.

این مقاله به عنوان بخشی از TechRadar Pro Perspectives، کانال ما برای معرفی بهترین و باهوش ترین ذهن ها در صنعت فناوری امروز تهیه شده است.

نظرات بیان شده در اینجا نظرات نویسنده است و لزوما نظرات TechRadarPro یا Future plc نیست. اگر مایل به مشارکت هستید، اطلاعات بیشتری را در اینجا بیابید: https://www.techradar.com/pro/perspectives-how-to-submit