制造商在實(shí)施人工智能戰(zhàn)略之前，必須考慮采用新技術(shù)保護(hù)隱私，確保符合安全標(biāo)準(zhǔn)。

制造商若要參與下一代數(shù)字產(chǎn)品項(xiàng)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(yàn)。

但企業(yè)要多了解關(guān)于人工智能技術(shù)創(chuàng)新的頭條新聞。就如，AlphaFold解決了50年來蛋白質(zhì)折疊問題，以及一些可能更有影響力的人工智能技術(shù)，這些進(jìn)步使得人工智能更負(fù)責(zé)任，更注重隱私。

隨著算法在培訓(xùn)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(jī)器學(xué)習(xí)相關(guān)的數(shù)據(jù)隱私只會越來越重要。實(shí)際上，美國食品藥品監(jiān)督管理局最近發(fā)布了一項(xiàng)新的行動計(jì)劃來規(guī)范醫(yī)療設(shè)備中使用的人工智能。不斷擴(kuò)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(dāng)企業(yè)計(jì)劃在未來投資人工智能時，以下三種人工智能技術(shù)會保證未來的合規(guī)性和安全性。

1、聯(lián)合學(xué)習(xí)。

聯(lián)合學(xué)習(xí)是越來越重要的機(jī)器學(xué)習(xí)和訓(xùn)練技術(shù)，可以解決機(jī)器學(xué)習(xí)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(lǐng)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(xùn)練和部署機(jī)器學(xué)習(xí)算法所需的聚合數(shù)據(jù)造成了嚴(yán)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(xué)習(xí)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(jī)器學(xué)習(xí)模型是在私人數(shù)據(jù)集中培訓(xùn)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(yuǎn)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(xué)習(xí)降低了單次攻擊或泄漏的風(fēng)險，因?yàn)閿?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(jī)器學(xué)習(xí)模型(尤其是神經(jīng)網(wǎng)絡(luò))都是黑盒模型。經(jīng)過大量的數(shù)據(jù)訓(xùn)練，這些模型通常不負(fù)責(zé)任，因?yàn)楹茈y確定如何做出決定。為了讓他們更有責(zé)任感和透明度，他們需要更有解釋性。

新興的研究領(lǐng)域被稱為可解釋性，它使用復(fù)雜的技術(shù)來幫助簡單的系統(tǒng)，如決策樹，以及神經(jīng)網(wǎng)絡(luò)等復(fù)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(wù)、保險等敏感領(lǐng)域，人工智能決策不能盲目相信。例如，在批準(zhǔn)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(fù)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(yīng)該成為未來開發(fā)人工智能系統(tǒng)的組織關(guān)注的主要領(lǐng)域。

3、AIOps/MLOps

大約20年前，DevOps完全改變了應(yīng)用程序的開發(fā)、部署和管理模式。它使管道標(biāo)準(zhǔn)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(yù)測，到2025年，全球MLOps市場將擴(kuò)大到40億美元。

這種想法是通過標(biāo)準(zhǔn)化操作、性能測量和自動修復(fù)來加快整個機(jī)器學(xué)習(xí)模型的生命周期。AIOps可應(yīng)用于以下三個層次:

(1)基礎(chǔ)設(shè)施層。

這是容器化發(fā)揮作用的地方。自動化工具可以擴(kuò)大組織的基礎(chǔ)設(shè)施和團(tuán)隊(duì)，滿足容量需求。DevOps的新興子集叫GitOps，是將DevOps原理應(yīng)用于容器運(yùn)行的基于云計(jì)算的微服務(wù)。

(2)應(yīng)用性能管理(APM)

據(jù)IDC公司調(diào)查，全球應(yīng)用程序停機(jī)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(yīng)用程序管理，限制停機(jī)時間，最大限度地，幫助組織實(shí)現(xiàn)應(yīng)用性能管理。AIOps解決方案與AIOps方法相結(jié)合，利用人工智能和機(jī)器學(xué)習(xí)主動識別問題，而非被動方法。

(3)信息技術(shù)服務(wù)管理(ITSM)

信息技術(shù)服務(wù)規(guī)模巨大，實(shí)際上可以代表信息技術(shù)組織為最終用戶提供的任何硬件、軟件或計(jì)算資源，無論最終用戶是內(nèi)部員工、客戶還是商業(yè)合作伙伴。ITSM使用AIOps實(shí)現(xiàn)票務(wù)流程、管理和分析事件、授權(quán)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(shí)施的，但是很多組織發(fā)現(xiàn)，比如APM應(yīng)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(yù)警系統(tǒng)，從而增加額外的安全性。由于人工智能/機(jī)器學(xué)習(xí)生命周期得到了更嚴(yán)格的優(yōu)化和結(jié)構(gòu)化，因此安全和隱私風(fēng)險更容易識別和降低。

負(fù)責(zé)實(shí)驗(yàn)。

近幾年來，人們，人們已經(jīng)看到了許多強(qiáng)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(zé)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(shí)際上增加了透明度和對客戶的信任，是時候嘗試負(fù)責(zé)任的人工智能了。聯(lián)合學(xué)習(xí)、可解釋的人工智能和AIOps/MLOps將是三個好起點(diǎn)。