اكتشف التقنيات الأساسية لخصوصية البيانات في الذكاء الاصطناعي/تعلم الآلة، من إخفاء الهوية إلى التعلم الموحد، مما يضمن الثقة والامتثال والممارسات الأخلاقية للذكاء الاصطناعي.
تشمل خصوصية البيانات الإرشادات والممارسات والتدابير التقنية المستخدمة لحماية المعلومات الشخصية للأفراد أثناء جمعها ومعالجتها وتخزينها. في سياق الذكاء الاصطناعي (AI) و التعلم الآلي (ML)، يعتبر هذا المفهوم بالغ الأهمية لأن الخوارزميات الحديثة غالبًا ما تتطلب كميات هائلة من بيانات التدريب لتحقيق دقة عالية. يعد ضمان عدم تعرض هذه البيانات لخطر انتهاك سرية المستخدم أو حقوقه متطلبًا أساسيًا للتطوير الأخلاقي . يجب على المؤسسات التعامل مع مجموعة معقدة من اللوائح، مثل اللائحة العامة لحماية البيانات (GDPR) في أوروبا و قانون خصوصية المستهلك في كاليفورنيا (CCPA) في الولايات المتحدة، لضمان امتثال أنظمة الذكاء الاصطناعي لديها وموثوقيتها.
غالبًا ما يُشار إلى دمج الخصوصية في دورة حياة الذكاء الاصطناعي باسم "الخصوصية حسب التصميم". ويؤثر هذا النهج على كيفية تعامل المهندسين مع المعالجة المسبقة للبيانات وبنية النموذج.
يعد الحفاظ على الخصوصية أمرًا ضروريًا في القطاعات التي تتفاعل فيها البيانات الشخصية الحساسة مع الأتمتة المتقدمة والرؤية الحاسوبية (CV).
في مجال تحليل الصور الطبية، تستخدم المستشفيات الذكاء الاصطناعي لمساعدة أطباء الأشعة في تشخيص الحالات من خلال الأشعة السينية والتصوير بالرنين المغناطيسي. ومع ذلك، فإن هذه الصور محمية بقوانين صارمة مثل قانون قابلية نقل التأمين الصحي والمساءلة (HIPAA). قبل تدريب نموذج على مهام مثل الكشف عن الأورام، يتم حذف بيانات المرضى من ملفات DICOM، مما يسمح للباحثين بالاستفادة من الذكاء الاصطناعي في الرعاية الصحية دون الكشف عن هويات المرضى.
تعتمد مبادرات التخطيط الحضري بشكل متزايد على اكتشاف الأجسام من أجل إدارة حركة المرور والسلامة العامة. لتحقيق التوازن بين الأمن وإخفاء الهوية الفردية، يمكن للأنظمة تحديد المشاة والمركبات في الوقت الفعلي وتطبيق مرشحات التعتيم على الوجوه ولوحات الترخيص على الفور. وهذا يضمن أن مبادرات المدن الذكية تحترم خصوصية المواطنين في الأماكن العامة مع الاستمرار في تجميع بيانات مفيدة عن تدفق حركة المرور.
أحد التطبيقات التقنية الشائعة للخصوصية في الرؤية الحاسوبية هو حجب العناصر الحساسة أثناء الاستدلال. يوضح Python التالي Python كيفية استخدام نموذج Ultralytics detect في الصورة و تطبيق ضبابية غاوسية على المناطق المكتشفة.
import cv2
from ultralytics import YOLO
# Load the YOLO26 model (latest generation for efficiency)
model = YOLO("yolo26n.pt")
img = cv2.imread("street.jpg")
# Perform detection
results = model(img)
# Blur detected persons (class ID 0)
for box in results[0].boxes.data:
if int(box[5]) == 0: # Class 0 is 'person'
x1, y1, x2, y2 = map(int, box[:4])
# Apply Gaussian blur to the region of interest (ROI)
img[y1:y2, x1:x2] = cv2.GaussianBlur(img[y1:y2, x1:x2], (51, 51), 0)
على الرغم من أنه غالبًا ما يتم مناقشتهما معًا، من المهم التمييز بين خصوصية البيانات والمفاهيم المماثلة في مجال عمليات التعلم الآلي (MLOps) .
لتلبية المتطلبات المتزايدة في مجال الخصوصية، تعمل منهجيات جديدة على إعادة تشكيل طريقة تعلم النماذج.
بالنسبة للفرق التي تسعى إلى إدارة مجموعات البيانات الخاصة بها بشكل آمن، توفر Ultralytics أدوات لتعليق النماذج وتدريبها ونشرها مع الالتزام بمعايير حوكمة البيانات الحديثة.
