Dig Watch<\/a>.<\/p>\n\n\n\nUz sve ve\u0107i broj tu\u017ebi protiv tvrtki zbog upotrebe odre\u0111enih podataka u sustavima strojnog u\u010denja (ML), potreba za ML modelima za u\u010dinkovito zaboravljanje ili brisanje informacija postala je zna\u010dajna za privatnost, sigurnost i etiku.<\/p>\n\n\n\n
AI-unlearning je proces brisanja utjecaja odre\u0111enih skupova podataka na ML sustav. Kada se pojavi problem sa skupom podataka, on se \u010desto mijenja ili bri\u0161e. Me\u0111utim, kada se podaci koriste za obuku modela, postaje izazovno razumjeti kako su odre\u0111eni skupovi podataka utjecali na model tijekom obuke, a jo\u0161 je te\u017ee poni\u0161titi u\u010dinke problemati\u010dnog skupa podataka. ML modeli su u biti crne kutije, \u0161to ote\u017eava de\u0161ifriranje to\u010dnog utjecaja pojedina\u010dnih skupova podataka.<\/p>\n\n\n\n
OpenAI, tvorci ChatGPT-a i generativnih umjetni\u010dkih alata umjetne inteligencije, suo\u010dili su se s kritikama i pravnim bitkama u vezi s njihovim podacima o obuci. Zabrinutost u vezi s privatno\u0161\u0107u tako\u0111er se pojavila nakon \u0161to su napadi zaklju\u010divanjem \u010dlanstva otkrili da je mogu\u0107e zaklju\u010diti jesu li odre\u0111eni podaci kori\u0161teni za treniranje modela, \u0161to potencijalno ugro\u017eava privatnost pojedinaca.<\/p>\n\n\n\n
Iako strojno odu\u010davanje mo\u017eda ne\u0107e sprije\u010diti tvrtke u pravnim sporovima, mo\u017ee pomo\u0107i u ja\u010danju njihove obrane pokazuju\u0107i da su skupovi podataka koji izazivaju zabrinutost u potpunosti uklonjeni. Jednostavno rje\u0161enje za izradu nenau\u010denog modela je identificirati problemati\u010dne skupove podataka, isklju\u010diti ih i ponovno obu\u010diti cijeli model od nule.<\/p>\n\n\n\n
Me\u0111utim, ovaj brutalni pristup je skup i dugotrajan. Glavni cilj strojnog odu\u010davanja je zaboraviti nepo\u017eeljne podatke uz zadr\u017eavanje korisnosti modela, a sve to izvedeno uz visoku u\u010dinkovitost. Besmisleno je razvijati algoritam za odu\u010davanje stroja koji tro\u0161i vi\u0161e energije nego ponovno uvje\u017ebavanje modela.<\/p>\n\n\n\n
Strojno odu\u010davanje suo\u010dava se s nekoliko izazova, uklju\u010duju\u0107i u\u010dinkovitost, standardizaciju, djelotvornost, privatnost, kompatibilnost i skalabilnost. Ovim se izazovima treba pozabaviti kako bi se postigla ravnote\u017ea izme\u0111u u\u010dinkovitog odu\u010davanja i cjelokupnog napredovanja u podru\u010dju. Zapo\u0161ljavanje interdisciplinarnih timova koji se sastoje od stru\u010dnjaka za umjetnu inteligenciju, odvjetnika za privatnost podataka i eti\u010dara mo\u017ee pomo\u0107i u prepoznavanju potencijalnih rizika i pra\u0107enju napretka u podru\u010dju strojnog u\u010denja.<\/p>\n\n\n\n
Budu\u0107nost strojnog odu\u010davanja uklju\u010duje Googleov izazov strojnog odu\u010davanja, \u010diji je cilj objediniti i standardizirati metriku procjene za algoritme odu\u010davanja i poticati inovativna rje\u0161enja problema. Osim toga, o\u010dekuje se da \u0107e sve ve\u0107i broj tu\u017ebi protiv AI i ML tvrtki potaknuti daljnje akcije unutar ovih organizacija.<\/p>\n\n\n\n
Gledaju\u0107i unaprijed, o\u010dekuje se da \u0107e napredak u hardveru i infrastrukturi podr\u017eati ra\u010dunalne zahtjeve strojnog odu\u010davanja. Pove\u0107ana interdisciplinarna suradnja izme\u0111u istra\u017eiva\u010da umjetne inteligencije, pravnih stru\u010dnjaka, eti\u010dara i stru\u010dnjaka za privatnost podataka mo\u017ee pojednostaviti razvoj i implementaciju algoritama za odu\u010davanje. Zakonodavci i regulatori tako\u0111er se mogu usredoto\u010diti na strojno odu\u010davanje, \u0161to bi potencijalno moglo dovesti do novih politika i propisa. Pove\u0107ana javna svijest o pitanjima privatnosti podataka tako\u0111er mo\u017ee utjecati na razvoj i primjenu strojnog odu\u010davanja.<\/p>\n\n\n\n
Za tvrtke koje implementiraju ili koriste AI modele obu\u010dene na velikim skupovima podataka, klju\u010dno je razumjeti vrijednost strojnog odu\u010davanja. Pra\u0107enje nedavnih istra\u017eivanja, implementacija pravila za rukovanje podacima, razmatranje interdisciplinarnih timova i razmatranje tro\u0161kova prekvalifikacije djelotvorni su uvidi za upravljanje problemima povezanim s podacima. Odr\u017eavanje koraka s odu\u010davanjem stroja proaktivna je dugoro\u010dna strategija za tvrtke koje koriste velike skupove podataka za obuku AI modela.<\/p>\n\n\n\n
Zaklju\u010dno, strojno odu\u010davanje igra vitalnu ulogu u odgovornoj umjetnoj inteligenciji pobolj\u0161avaju\u0107i mogu\u0107nosti rukovanja podacima uz odr\u017eavanje kvalitete ML modela. Usvajanje i implementacija strojnog odu\u010davanja postaje nu\u017enost za tvrtke u razvoju umjetne inteligencije.<\/p>\n\n\n\n
S filozofijom odgovorne umjetne inteligencije koja nagla\u0161ava transparentnost, odgovornost i privatnost korisnika, strojno odu\u010davanje uskla\u0111eno je s tim na\u010delima. Iako je podru\u010dje jo\u0161 u razvoju, kako se metrika ocjenjivanja standardizira, implementacija strojnog odu\u010davanja postat \u0107e lak\u0161a za upravljanje. Poduze\u0107a bi se trebala proaktivno pozabaviti izazovima povezanim s rukovanjem podacima i nastojati ugraditi prakse strojnog odu\u010davanja u svoje modele umjetne inteligencije i velike skupove podataka.<\/p>\n","protected":false},"excerpt":{"rendered":"
Strojno odu\u010davanje novo je polje u umjetnoj inteligenciji koje se bavi izazovom zaboravljanja informacija u modelima strojnog u\u010denja. S porastom tu\u017ebi i zabrinutosti oko privatnosti, sposobnost ML sustava da u\u010dinkovito uklone podatke postala je klju\u010dna za tvrtke. Budu\u0107nost strojnog odu\u010davanja uklju\u010duje napredak u hardveru, politici i regulativi te pove\u0107anu svijest javnosti. AI ne zaboravlja. To […]<\/p>\n","protected":false},"author":9358,"featured_media":21051822,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"publish_to_discourse":"","publish_post_category":"","wpdc_auto_publish_overridden":"","wpdc_topic_tags":"","wpdc_pin_topic":"","wpdc_pin_until":"","discourse_post_id":"","discourse_permalink":"","wpdc_publishing_response":"","wpdc_publishing_error":"","_lmt_disableupdate":"","_lmt_disable":"","footnotes":""},"categories":[8660],"tags":[3247],"modified_by":"Hrvoje \u0160.","_links":{"self":[{"href":"https:\/\/geek.hr\/wp-json\/wp\/v2\/posts\/21051821"}],"collection":[{"href":"https:\/\/geek.hr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/geek.hr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/geek.hr\/wp-json\/wp\/v2\/users\/9358"}],"replies":[{"embeddable":true,"href":"https:\/\/geek.hr\/wp-json\/wp\/v2\/comments?post=21051821"}],"version-history":[{"count":1,"href":"https:\/\/geek.hr\/wp-json\/wp\/v2\/posts\/21051821\/revisions"}],"predecessor-version":[{"id":21051823,"href":"https:\/\/geek.hr\/wp-json\/wp\/v2\/posts\/21051821\/revisions\/21051823"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/geek.hr\/wp-json\/wp\/v2\/media\/21051822"}],"wp:attachment":[{"href":"https:\/\/geek.hr\/wp-json\/wp\/v2\/media?parent=21051821"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/geek.hr\/wp-json\/wp\/v2\/categories?post=21051821"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/geek.hr\/wp-json\/wp\/v2\/tags?post=21051821"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}