制造商在實施人工智能戰(zhàn)略之前，必須考慮采用新技術保護隱私，確保符合安全標準。

制造商若要參與下一代數(shù)字產品項目，嘗試使用人工智能將有助于企業(yè)建立新的商業(yè)模式、收入流和體驗。

但企業(yè)要多了解關于人工智能技術創(chuàng)新的頭條新聞。就如，AlphaFold解決了50年來蛋白質折疊問題，以及一些可能更有影響力的人工智能技術，這些進步使得人工智能更負責任，更注重隱私。

隨著算法在培訓和部署中吸收和使用越來越大的數(shù)據(jù)集，尤其是GDPR、CCPA、HIPAA等新的隱私法規(guī)的發(fā)布，與人工智能/機器學習相關的數(shù)據(jù)隱私只會越來越重要。實際上，美國食品藥品監(jiān)督管理局最近發(fā)布了一項新的行動計劃來規(guī)范醫(yī)療設備中使用的人工智能。不斷擴大的監(jiān)管框架部分解釋了數(shù)據(jù)隱私是十年來最重要的問題之一。

當企業(yè)計劃在未來投資人工智能時，以下三種人工智能技術會保證未來的合規(guī)性和安全性。

1、聯(lián)合學習。

聯(lián)合學習是越來越重要的機器學習和訓練技術，可以解決機器學習中最大的數(shù)據(jù)隱私問題之一，尤其是在敏感用戶數(shù)據(jù)領域(如醫(yī)療保健)。過去十年的傳統(tǒng)做法是盡可能隔離數(shù)據(jù)。然而，訓練和部署機器學習算法所需的聚合數(shù)據(jù)造成了嚴重的隱私和安全問題，尤其是在企業(yè)共享數(shù)據(jù)時。

聯(lián)合學習可以讓企業(yè)提供聚合數(shù)據(jù)集的洞察力，保證非聚合環(huán)境中數(shù)據(jù)的安全。基本前提是本地機器學習模型是在私人數(shù)據(jù)集中培訓的，模型更新是在數(shù)據(jù)集之間流動，集中聚合。重要的是數(shù)據(jù)永遠不需要離開本地環(huán)境。

這樣，數(shù)據(jù)仍然可以在保持安全的同時給組織帶來群體智慧。聯(lián)合學習降低了單次攻擊或泄漏的風險，因為數(shù)據(jù)不存儲在單個存儲庫中，而是分散在多個存儲庫中。

2、可解釋的人工智能(XAI)

很多人工智能/機器學習模型(尤其是神經網(wǎng)絡)都是黑盒模型。經過大量的數(shù)據(jù)訓練，這些模型通常不負責任，因為很難確定如何做出決定。為了讓他們更有責任感和透明度，他們需要更有解釋性。

新興的研究領域被稱為可解釋性，它使用復雜的技術來幫助簡單的系統(tǒng)，如決策樹，以及神經網(wǎng)絡等復雜的系統(tǒng)。解釋有助于建立對系統(tǒng)的信任，也有助于研究者理解為什么會犯錯誤，以及如何迅速糾正錯誤。

在醫(yī)療、銀行、金融服務、保險等敏感領域，人工智能決策不能盲目相信。例如，在批準銀行貸款時，要明白為什么有人被拒絕，尤其是考慮到種族偏見潛入其他人工智能系統(tǒng)的例子。隨著人工智能越來越復雜，這些黑盒模型越來越清晰越來越重要以解釋的人工智能應該成為未來開發(fā)人工智能系統(tǒng)的組織關注的主要領域。

3、AIOps/MLOps

大約20年前，DevOps完全改變了應用程序的開發(fā)、部署和管理模式。它使管道標準化，從而顯著提高效率，縮短交付時間。

現(xiàn)在AIOps/MLOps在人工智能方面也是如此。Cognilityca預測，到2025年，全球MLOps市場將擴大到40億美元。

這種想法是通過標準化操作、性能測量和自動修復來加快整個機器學習模型的生命周期。AIOps可應用于以下三個層次:

(1)基礎設施層。

這是容器化發(fā)揮作用的地方。自動化工具可以擴大組織的基礎設施和團隊，滿足容量需求。DevOps的新興子集叫GitOps，是將DevOps原理應用于容器運行的基于云計算的微服務。

(2)應用性能管理(APM)

據(jù)IDC公司調查，全球應用程序停機每年造成的損失在1.25美元至25億美元之間。APM(APM)通過簡化應用程序管理，限制停機時間，最大限度地，幫助組織實現(xiàn)應用性能管理。AIOps解決方案與AIOps方法相結合，利用人工智能和機器學習主動識別問題，而非被動方法。

(3)信息技術服務管理(ITSM)

信息技術服務規(guī)模巨大，實際上可以代表信息技術組織為最終用戶提供的任何硬件、軟件或計算資源，無論最終用戶是內部員工、客戶還是商業(yè)合作伙伴。ITSM使用AIOps實現(xiàn)票務流程、管理和分析事件、授權和監(jiān)控文件的自動化。

盡管AIOps/MLOps是大多數(shù)組織為了提高效率而實施的，但是很多組織發(fā)現(xiàn)，比如APM應用程序性能管理平臺可以利用其豐富的數(shù)據(jù)資源作為預警系統(tǒng)，從而增加額外的安全性。由于人工智能/機器學習生命周期得到了更嚴格的優(yōu)化和結構化，因此安全和隱私風險更容易識別和降低。

負責實驗。

近幾年來，人們，人們已經看到了許多強大的人工智能用例，但未來將確保這些用例背后的人工智能系統(tǒng)有責任使用數(shù)據(jù)。隨著越來越多的隱私法規(guī)的發(fā)布和組織看到的法規(guī)實際上增加了透明度和對客戶的信任，是時候嘗試負責任的人工智能了。聯(lián)合學習、可解釋的人工智能和AIOps/MLOps將是三個好起點。