Veri Gizliliği

Veri gizliliği, kişisel bilgilerin nasıl kullanıldığına ilişkin yönetişim, uygulamalar ve etik standartları ifade eder. içinde toplanır, işlenir, saklanır ve paylaşılır. yapay zeka (AI) ve makine öğrenimi (ML) sistemleri. Modern olarak algoritmalar, özellikle derin öğrenme (DL) modelleri, büyük miktarda yüksek performans elde etmek için eğitim verileri bireylerin gizliliği ve hakları kritik bir zorluk haline gelmiştir. Etkili veri gizliliği önlemleri oluşturun kullanıcı güveni ve aşağıdaki gibi yasal çerçevelere uygunluğun sağlanması Avrupa Genel Veri Koruma Yönetmeliği (GDPR) ve Kaliforniya Tüketici Gizliliği Yasası (CCPA).

Veri Gizliliğinin Temel İlkeleri

Bu bağlamda Makine öğrenimi operasyonlarında (MLOps) veri gizliliği sadece gizlilikle değil, kontrol ve rıza ile de ilgilidir. Temel ilkeler şunları içerir:

• Veri Minimizasyonu: Sistemler yalnızca tanımlanan görev için gerekli olan belirli verileri toplamalıdır, Hassas bilgilerin saklanmasından kaçınılması.
• Amaç Sınırlaması: Tek bir amaç için toplanan veriler, örneğin bilgisayarlı görü ile üretimin iyileştirilmesi, açık izin olmadan ilgisiz görevler için kullanılmamalıdır.
• Şeffaflık: Kuruluşlar hangi verilerin kullanıldığı konusunda net olmalıdır. Bu bir köşe taşıdır Yapay zeka etiği ve önlemeye yardımcı olur algoritmik önyargı.
• Anonimleştirme: Kişisel tanımlayıcılar kaldırılmalı veya gizlenmelidir. Gibi teknikler takma adlandırma özel tanımlayıcıların yerini alır sahte kimliklerle, bireysel kimlikleri korurken veri analizine izin verir.

Veri Gizliliği - Veri Güvenliği Karşılaştırması

Genellikle birbirinin yerine kullanılsa da, bu terimler YZ yaşam döngüsündeki farklı kavramları temsil eder.

• Veri Gizliliği, bireylerin hakları ve veri kullanımının yasallığı ile ilgilidir. Rıza ve etik kullanım sorularını ele alır.
• Veri Güvenliği içerir Verileri yetkisiz erişim, hırsızlık veya çalınmaya karşı korumak için kullanılan teknik mekanizmalar düşmanca saldırılar.

Güvenlik, gizliliği sağlayan bir araçtır. Örneğin, şifreleme gizliliğin sağlanmasına yardımcı olan bir güvenlik önlemidir gereklilikler. Ajanslar gibi Ulusal Standartlar ve Teknoloji Enstitüsü (NIST) şunları sağlar her ikisini de etkili bir şekilde entegre etmek için çerçeveler.

Yapay Zekada Gerçek Dünya Uygulamaları

Hassas kişisel bilgilerin otomatik olarak işlendiği sektörlerde veri gizliliği son derece önemlidir.

• Sağlık Teşhis Cihazları: İçinde tıbbi görüntü analizi, hastaneler yapay zekayı kullanıyor tümör gibi durumları detect etmek için. Uyum sağlamak için Sağlık Sigortası Taşınabilirlik ve Sorumluluk Yasası (HIPAA), Hasta taramaları, modelleri eğitmek için kullanılmadan önce Kişisel Olarak Tanımlanabilir Bilgilerden (PII) arındırılmalıdır. Yenilikçiler tümör tespiti için YOLO11 kullanarak Hasta gizliliğinden ödün vermeden sonuçları iyileştirmek için anonimleştirilmiş veri kümeleri üzerinde.
• Akıllı Şehirler ve Gözetim: Bilgisayarla görme, aşağıdakiler için yaygın olarak kullanılmaktadır trafi̇k yöneti̇mi̇ ve güvenlik. Ancak, kamusal alanların kaydedilmesi gizlilik endişelerini artırmaktadır. Bunu ele almak için geliştiriciler şunları kullanır seyircileri tanımlamak için nesne algılama veya ve gerçek zamanlı bulanıklaştırma uygular. Bu, sistemin trafik akışını izlemesini sağlarken gözeti̇m statükosunu paramparça etmek bireysel anonimliği koruyarak.

Gizliliği Koruma Teknikleri

Geliştiriciler, makine öğrenimi iş akışlarının güvenliğini sağlamak için çeşitli gizlilik artırıcı teknolojiler (PET'ler) kullanmaktadır:

• Diferansiyel Gizlilik: Bu yöntemi, veri kümelerine istatistiksel gürültü ekleyerek bir algoritmanın çıktısının herhangi bir belirli bir bireyin bilgileri girdiye dahil edilmiştir. Gibi kuruluşlar OpenMined bu açık kaynaklı gizlilik araçlarının savunucusudur.
• Federe Öğrenme: Bunun yerine Verilerin merkezileştirilmesi yerine model cihaza gönderilir (uç bilişim). Model yerel olarak öğrenir ve yalnızca güncellemelerini geri alarak ham verileri kullanıcının cihazında tutar. Bu, aşağıdakiler için giderek daha önemli hale gelmektedir otonom araçlar ve mobil cihazlar.
• Sentetik Veri: Üretim Gerçek dünyanın istatistiksel özelliklerini taklit eden yapay veriler, mühendislerin modelleri hiç açığa çıkarmadan eğitmelerine olanak tanır gerçek kullanıcı verileri.

Örnek: Python ile Görüntüleri Anonimleştirme

En yaygın gizlilik görevlerinden biri, görsel verilerdeki yüzleri veya hassas bölgeleri bulanıklaştırmaktır. Aşağıdaki örnek nasıl kullanılacağını gösterir YOLO11 bir nesneyi detect etmek için (bir kişi) ve kimliklerini korumak için bir bulanıklık uygulayın.

import cv2
from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Read an image
img = cv2.imread("bus.jpg")

# Run object detection
results = model(img)

# Iterate through detections and blur identified objects
for box in results[0].boxes.xyxy:
    x1, y1, x2, y2 = map(int, box)
    # Extract the region of interest (ROI)
    roi = img[y1:y2, x1:x2]
    # Apply a Gaussian blur to the ROI to anonymize it
    img[y1:y2, x1:x2] = cv2.GaussianBlur(roi, (51, 51), 0)

# Save the anonymized image
cv2.imwrite("bus_anonymized.jpg", img)