امنیت داده‌ها و حریم خصوصی هوش مصنوعی ادامه یافت.

منتشر‌شده در: towardsdatascienceبه تاریخ ۹ ژوئن ۲۰۲۱
لینک منبع AI Privacy and Data Security, continued

جای پای دیجیتال ما، یعنی هر چیزی که می‌نویسیم، تماشا می‌کنیم، مطالعه می‌کنیم، پست می‌کنیم، گوش می‌دهیم، و از طریق اینترنت خرید می‌کنیم، یک معدن طلا برای صنایعی است که به دنبال نظارت و جمع‌آوری داده‌ها هستند. یک اپیزود اخیر TDS Podcast به بررسی حریم خصوصی در تکنولوژی‌های هوش مصنوعی مدرن و این که چگونه سیاست‌های امنیت داده به طور مداوم در وضعیت دشواری قرار دارند، پرداخت. جرمی هریس، میزبان پادکست، با الیانو مارکس، معاون اجرایی داده و هوش مصنوعی در مقاومت صحبت کرد. دیدگاه‌های او از ابتکارات شرکت‌های خصوصی گرفته تا تبلیغات هدفمند تا آگاهی در مورد حریم خصوصی بود، و او تفسیری عالی در مورد آموزش اختصاصی به عموم در مورد این که این همه به چه معنی است، ارائه کرد.

یک مفهوم بسیار مهم و در عین حال نادرست، حریم خصوصی هوش مصنوعی موضوعی است که همه ما باید به دنبال یادگیری بیشتر در مورد آن باشیم، بنابراین من برای مقالاتی که این موضوع را گسترش می‌دهند، در TDS کاوش کردم. در نهایت به اطلاعاتی درباره یادگیری متحد در یک خرگوش رسیدم، و متوجه شدم که آن به خوبی با موضوعات مورد بحث در اپیزود پادکست گره خورده‌است. این لیست به عنوان یک منبع تازه کار دوستانه برای یادگیری در مورد استراتژی‌های جمع‌آوری داده عمل می‌کند.

هوش مصنوعی: حریم خصوصی تفاضلی و یادگیری متحد

در خبری از جولای ۲۰۱۹ پر پائولو ایپولیتو مفهوم یادگیری متحد را معرفی کرد: «یک تکنیک برای آموزش مدل‌های یادگیری ماشینی بر روی داده‌هایی که ما به آن‌ها دسترسی نداریم» که همان طور که این مقاله اشاره می‌کند، یک معیار مهم برای تلاش‌های حریم خصوصی داده‌ها است. این امر به عنوان یک منبع مقدماتی عالی برای یادگیری در مورد پیامدهای جمع‌آوری داده بر روی افراد و جمع‌آوری کنندگان داده به طور یک‌سان عمل می‌کند.

عدم تمرکز در مسابقه هوش مصنوعی بر حفظ حریم خصوصی: نبوغ یادگیری متحد

آندره یه این مقاله آموزنده، به راحتی قابل فهم درباره مزایای یادگیری ماشینی اخلاقی و غیرتهاجمی را در سپتامبر 2020 منتشر کرد. او کار فوق‌العاده‌ای برای روشن کردن یادگیری متحد در یک زمینه شخصی انجام داد -چیزی که بسیار نادر است و به سختی می توان به نوشته‌های علمی و تکنولوژیکی دست یافت. وی در اینجا سوال کلیدی را مطرح می‌کند: "چگونه می‌‌توان ضمن حمایت از حریم خصوصی داده‌های کاربران، منافع داده‌های بزرگ را برای تجربیات شخصی‌تر و جذاب‌تر ، تحقق بخشید - نه صرفاً تأیید کرد؟" پاسخ، یادگیری متحد، استدلال‌های گذشته برای و در مقابل جمع‌آوری داده را به سمت تصور یک زمینه میانی سوق می‌دهد: بهترین سناریوی ممکن برای یک بخش اجتناب‌ناپذیر از زندگی.

استراتژی هوش مصنوعی در عصر یادگیری عمودی و به اشتراک گذاری داده

الکساندر گون فالونیری، مشاور هوش مصنوعی در فیلیپس، در مورد به اشتراک گذاری داده‌ها برای پروژه‌های یادگیری ماشین در مقیاس بزرگ در ماه می سال ۲۰۲۰ نوشت. او دریافت که یادگیری متحد به مورد استفاده و نوع مدل بستگی دارد، سیستم پاداش پذیرفته‌شده توسط دیگر «شرکت کنندگان»، نوع داده‌ای که می‌تواند به اشتراک گذاشته شود، تعداد شرکت‌های درگیر در اشتراک گذاری داده، هماهنگ‌کننده منتخب FL خنثی، و هزینه آموزش محلی و ارتباطات شبکه. گونفلونیری با به کار بردن این نظریه در صنایع هوشمند خرده‌فروشی، مالی و بهداشت و درمان، موضوع را به طور کامل مطرح کرد.

این متن با استفاده از ربات ترجمه مقالات دیتاساینس ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.

مقالات لینک‌شده در این متن می‌توانند به صورت رایگان با استفاده از مقاله‌خوان ترجمیار به فارسی مطالعه شوند.