ثورة جديدة في الحفاظ على الخصوصية: هندسة منفصلة لتخصيص الذكاء الاصطناعي

في عالم يتزايد فيه الاهتمام بالخصوصية، تأتي دراسات جديدة لتسليط الضوء على طرق مبتكرة لحماية بيانات المستخدمين أثناء التعامل مع الذكاء الاصطناعي. تقدم الورقة البحثية الأخيرة المعنونة "الهندسة المنفصلة للخبراء: نحو تخصيص الذكاء الاصطناعي المحفظ للخصوصية عبر محولات قابلة للتكوين وف proxies يمكن حذفها" نموذجًا ثلاثي الطبقات يعمل على فصل البيانات الشخصية عن الأوزان المشتركة.

تستخدم هذه الهندسة مجموعة من المحولات المتخصصة (LoRA adapters) التي يمكن عبرها تشكيل سلوك النموذج دون إدخال أي بيانات شخصية، مما يوفر مستوى من الخصوصية لم يكن ممكنًا سابقًا. كما أن مفهوم 'الـ proxies' الفردية، والتي يمكن حذفها بسهولة، يتيح إمكانية "التعلم غير المكتمل" (unlearning) بشكل دقيق، ما يعنى أن البيانات الشخصية يمكن إزالتها دون الحاجة لإعادة تدريب النموذج بالكامل.

أجريت تقييمات على نماذج Phi-3.5-mini وLlama-3.1-8B، حيث أثبتت النتائج تفريقًا ملحوظًا بين المستخدمين، مع بقاء البيانات الشخصية معزولة. حتى أن التأكد من عدم وجود تلوث بين بيانات المستخدمين الآخرين كان قريبًا من الصفر، وهي خطوة كبيرة نحو الحفاظ على خصوصية المعلومات.

بهذه الطريقة، لا تدخل المعلومات الخاصة بالمستخدمين إلى الأوزان المشتركة، مما يقلل من مخاطر عكس النموذج واستنتاج العضوية، حيث إن التصميم يحقق حماية قوية ضد استخراج بيانات التدريب. وهذا التحول في كيفية معالجة المعلومات الشخصية ليس فقط يساهم في تحسين نماذج الذكاء الاصطناعي بشكل خاص، بل يجسد الخطوات المقبلة نحو بيئات ذكاء اصطناعي أكثر أمانًا وتخصيصًا.