Strojno odučavanje novo je polje u umjetnoj inteligenciji koje se bavi izazovom zaboravljanja informacija u modelima strojnog učenja. S porastom tužbi i zabrinutosti oko privatnosti, sposobnost ML sustava da učinkovito uklone podatke postala je ključna za tvrtke. Budućnost strojnog odučavanja uključuje napredak u hardveru, politici i regulativi te povećanu svijest javnosti.
AI ne zaboravlja. To predstavlja problem kada se AI platforme obučavaju na zastarjelim, netočnim ili privatnim podacima, saznajemo prema portalu Dig Watch.
Uz sve veći broj tužbi protiv tvrtki zbog upotrebe određenih podataka u sustavima strojnog učenja (ML), potreba za ML modelima za učinkovito zaboravljanje ili brisanje informacija postala je značajna za privatnost, sigurnost i etiku.
AI-unlearning je proces brisanja utjecaja određenih skupova podataka na ML sustav. Kada se pojavi problem sa skupom podataka, on se često mijenja ili briše. Međutim, kada se podaci koriste za obuku modela, postaje izazovno razumjeti kako su određeni skupovi podataka utjecali na model tijekom obuke, a još je teže poništiti učinke problematičnog skupa podataka. ML modeli su u biti crne kutije, što otežava dešifriranje točnog utjecaja pojedinačnih skupova podataka.
OpenAI, tvorci ChatGPT-a i generativnih umjetničkih alata umjetne inteligencije, suočili su se s kritikama i pravnim bitkama u vezi s njihovim podacima o obuci. Zabrinutost u vezi s privatnošću također se pojavila nakon što su napadi zaključivanjem članstva otkrili da je moguće zaključiti jesu li određeni podaci korišteni za treniranje modela, što potencijalno ugrožava privatnost pojedinaca.
Iako strojno odučavanje možda neće spriječiti tvrtke u pravnim sporovima, može pomoći u jačanju njihove obrane pokazujući da su skupovi podataka koji izazivaju zabrinutost u potpunosti uklonjeni. Jednostavno rješenje za izradu nenaučenog modela je identificirati problematične skupove podataka, isključiti ih i ponovno obučiti cijeli model od nule.
Međutim, ovaj brutalni pristup je skup i dugotrajan. Glavni cilj strojnog odučavanja je zaboraviti nepoželjne podatke uz zadržavanje korisnosti modela, a sve to izvedeno uz visoku učinkovitost. Besmisleno je razvijati algoritam za odučavanje stroja koji troši više energije nego ponovno uvježbavanje modela.
Strojno odučavanje suočava se s nekoliko izazova, uključujući učinkovitost, standardizaciju, djelotvornost, privatnost, kompatibilnost i skalabilnost. Ovim se izazovima treba pozabaviti kako bi se postigla ravnoteža između učinkovitog odučavanja i cjelokupnog napredovanja u području. Zapošljavanje interdisciplinarnih timova koji se sastoje od stručnjaka za umjetnu inteligenciju, odvjetnika za privatnost podataka i etičara može pomoći u prepoznavanju potencijalnih rizika i praćenju napretka u području strojnog učenja.
Budućnost strojnog odučavanja uključuje Googleov izazov strojnog odučavanja, čiji je cilj objediniti i standardizirati metriku procjene za algoritme odučavanja i poticati inovativna rješenja problema. Osim toga, očekuje se da će sve veći broj tužbi protiv AI i ML tvrtki potaknuti daljnje akcije unutar ovih organizacija.
Gledajući unaprijed, očekuje se da će napredak u hardveru i infrastrukturi podržati računalne zahtjeve strojnog odučavanja. Povećana interdisciplinarna suradnja između istraživača umjetne inteligencije, pravnih stručnjaka, etičara i stručnjaka za privatnost podataka može pojednostaviti razvoj i implementaciju algoritama za odučavanje. Zakonodavci i regulatori također se mogu usredotočiti na strojno odučavanje, što bi potencijalno moglo dovesti do novih politika i propisa. Povećana javna svijest o pitanjima privatnosti podataka također može utjecati na razvoj i primjenu strojnog odučavanja.
Za tvrtke koje implementiraju ili koriste AI modele obučene na velikim skupovima podataka, ključno je razumjeti vrijednost strojnog odučavanja. Praćenje nedavnih istraživanja, implementacija pravila za rukovanje podacima, razmatranje interdisciplinarnih timova i razmatranje troškova prekvalifikacije djelotvorni su uvidi za upravljanje problemima povezanim s podacima. Održavanje koraka s odučavanjem stroja proaktivna je dugoročna strategija za tvrtke koje koriste velike skupove podataka za obuku AI modela.
Zaključno, strojno odučavanje igra vitalnu ulogu u odgovornoj umjetnoj inteligenciji poboljšavajući mogućnosti rukovanja podacima uz održavanje kvalitete ML modela. Usvajanje i implementacija strojnog odučavanja postaje nužnost za tvrtke u razvoju umjetne inteligencije.
S filozofijom odgovorne umjetne inteligencije koja naglašava transparentnost, odgovornost i privatnost korisnika, strojno odučavanje usklađeno je s tim načelima. Iako je područje još u razvoju, kako se metrika ocjenjivanja standardizira, implementacija strojnog odučavanja postat će lakša za upravljanje. Poduzeća bi se trebala proaktivno pozabaviti izazovima povezanim s rukovanjem podacima i nastojati ugraditi prakse strojnog odučavanja u svoje modele umjetne inteligencije i velike skupove podataka.
