[ad_1]
ఈ సంవత్సరం దావోస్లో జరిగిన వరల్డ్ ఎకనామిక్ ఫోరమ్ యొక్క నాలుగు ప్రధాన ఇతివృత్తాలలో ఒకటి “ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ (AI) ఎకానమీ అండ్ సొసైటీకి పవర్హౌస్.” ఈ అత్యంత ప్రభావవంతమైన సాంకేతికతపై మాత్రమే దృష్టి కేంద్రీకరించకపోతే, కనీసం AIని తాకిన 10-15 సెషన్లు ఉన్నాయి. ఈ ప్యానెల్లలో చాలా వరకు ఫిన్టెక్, హెల్త్ రీసెర్చ్ మరియు క్లైమేట్ సైన్స్ వంటి పరిశ్రమల కోసం ఉత్పాదక AI మరియు లార్జ్-స్కేల్ లాంగ్వేజ్ మోడల్స్ (LLM) యొక్క సంభావ్య ప్రయోజనాలను హైలైట్ చేశాయి, అలాగే మన వ్యక్తిగత జీవితాలు మరియు సమాజంలో AI యొక్క సంభావ్య ప్రయోజనాలను కూడా హైలైట్ చేశాయి. విస్తృతంగా వ్యాపించిన ఆందోళనలు దత్తత మరింత నొక్కిచెప్పబడ్డాయి. సంభావ్య ప్రభావం.
AI ప్రభావవంతంగా పనిచేయాలంటే, దానికి శిక్షణ ఇవ్వడానికి పెద్ద మొత్తంలో డేటా అవసరం. దీని యొక్క సానుకూల ఫలితాలు సంక్లిష్ట నమూనాలను గుర్తించగల మరియు ఖచ్చితమైన అంచనాలను రూపొందించగల లోతైన అభ్యాస నమూనాలను కలిగి ఉంటాయి. ఉదాహరణకు, ఇది స్వదేశీ భద్రత మరియు ఆర్థిక మోసాల నివారణ కోసం బయోమెట్రిక్ ప్రమాణీకరణను ప్రారంభిస్తుంది. ప్రస్తుతం, అభివృద్ధి చెందుతున్న AI యొక్క అత్యంత సాధారణ అప్లికేషన్లు లక్ష్య ప్రకటనలు మరియు నిజ-సమయ అనువాద అప్లికేషన్ల కోసం పెద్ద డేటా అల్గారిథమ్లు, ఇవి డేటా పూల్లు మరింత విస్తరించబడుతున్నందున నిరంతరం మెరుగుపరచబడుతున్నాయి.
అయితే, AI సిస్టమ్లకు శిక్షణ ఇవ్వడానికి పబ్లిక్గా అందుబాటులో ఉంచబడిన సమాచారం మరియు వ్యక్తిగత మరియు యాజమాన్య డేటా, సున్నితమైనవి అయినప్పటికీ, వినియోగదారు అనుమతి లేకుండా దోపిడీ చేయబడి మరియు విశ్లేషించబడే మధ్య ఒక గీతను తప్పనిసరిగా గీయాలి. ఒక ఉదాహరణ బయోమెట్రిక్ భద్రత. సరిహద్దులను భద్రపరచడానికి బయోమెట్రిక్ భద్రత గొప్పది అయితే, ఇది చాలా వ్యక్తిగతమైనది మరియు అది తప్పు చేతుల్లోకి పడితే సులభంగా దోపిడీ చేయవచ్చు.
ఇది AIతో మరొక ఆందోళనను తెస్తుంది: లీక్లు మరియు రాజీకి సంభావ్యత. దురదృష్టవశాత్తూ, ఇప్పటికే ఉన్న చాలా AI మరియు LLM ప్లాట్ఫారమ్లు మరియు యాప్లు (చాట్జిపిటి వంటివి) దుర్బలత్వాలతో నిండి ఉన్నాయి మరియు చాలా పెద్ద కంపెనీలు తమ కంపెనీ రహస్యాలను రక్షించడానికి వాటి వినియోగాన్ని నిషేధించాయి. ఈ ధోరణి స్కేల్ మరియు స్కోప్లో పెరుగుతున్నట్లు కనిపిస్తోంది.
అందువల్ల, దావోస్లో విస్తృతంగా చర్చించబడిన అంశాలలో నిబంధనలు కూడా ఉన్నాయి, ముఖ్యంగా గోప్యతకు సంబంధించినవి మరియు ఇప్పుడు మరియు భవిష్యత్తులో AI యొక్క పరిధిని పరిమితం చేయవలసిన తక్షణ అవసరం. HIPAA, GDPR మరియు CCPA/CPRA వంటి అనేక డేటా-సంబంధిత నిబంధనలు ఇప్పటికే అమలులో ఉన్నాయి, వీటికి కంపెనీలు తమ వ్యక్తిగత సమాచారాన్ని ఉపయోగించడం గురించి పారదర్శకంగా ఉండాలి మరియు లేకపోతే వినియోగదారులు ప్రోగ్రామ్ నుండి వైదొలగవలసి ఉంటుంది. మేము మీ వ్యక్తిగత డేటాను ఉపయోగిస్తాము. జవాబుదారీతనాన్ని ప్రోత్సహించడంలో ఇది ప్రభావవంతంగా ఉన్నప్పటికీ, నిబంధనలు మరియు విధానాలు వాస్తవానికి లీక్లు లేదా వెక్టర్ దాడుల నుండి డేటాను రక్షించవు.
చైన్ రియాక్షన్, లిమిటెడ్. సీనియర్ మార్కెటింగ్ స్పెషలిస్ట్
సురక్షిత డేటా ప్రాసెసింగ్లో సవాళ్లు
మా గోప్యతను నిజంగా రక్షించడానికి ఏకైక మార్గం మా వద్ద అత్యంత సురక్షితమైన మరియు వినూత్నమైన సాంకేతిక చర్యలను ముందస్తుగా అమలు చేయడం. ఉత్పాదక AI మోడల్స్ మరియు క్లౌడ్ కంప్యూటింగ్ టూల్స్ వంటి పురోగతి సాంకేతికతలను ప్రారంభించేటప్పుడు ఇది గోప్యత మరియు డేటా ఎన్క్రిప్షన్పై దృష్టి పెడుతుంది. మీ పూర్తి సామర్థ్యాన్ని వెలికితీసేందుకు పెద్ద డేటా పూల్లకు పూర్తి ప్రాప్యతను పొందండి.
డేటా విశ్రాంతిగా ఉన్నప్పుడు (అంటే, నిల్వలో) లేదా రవాణాలో (అనగా, నెట్వర్క్ల లోపల లేదా వాటి మధ్య కదులుతున్నప్పుడు) భద్రపరచడం సర్వసాధారణం. డేటా గుప్తీకరించబడింది మరియు అవాంఛిత యాక్సెస్ నుండి సురక్షితంగా ఉంచడానికి ఇది సాధారణంగా సరిపోతుంది. డేటా ఉపయోగంలో ఉన్నప్పుడు (అనగా, ప్రాసెసింగ్ మరియు విశ్లేషణ సమయంలో) ఎలా రక్షించాలి అనేది చాలా పెద్ద సవాలు.
ప్రస్తుతం స్కేల్లో ఉపయోగించబడుతున్న ప్రధాన గోప్యత-పెంచే సాంకేతికత రహస్య కంప్యూటింగ్. కాన్ఫిడెన్షియల్ కంప్యూటింగ్ అనేది సెన్సిటివ్ డేటా ప్రాసెస్ చేయబడిన సర్వర్ CPUలో ట్రస్టెడ్ ఎగ్జిక్యూషన్ ఎన్విరాన్మెంట్ (TEE) అని పిలువబడే ఒక ప్రత్యేకమైన ఎన్క్లేవ్ను సృష్టించడం ద్వారా కంపెనీ యొక్క IP మరియు సున్నితమైన డేటాను రక్షించడానికి ప్రయత్నిస్తుంది. TEEకి ప్రాప్యత పరిమితం చేయబడింది, తద్వారా ఆ డేటా ప్రాసెసింగ్ కోసం డీక్రిప్ట్ చేయబడినప్పుడు, TEEలో ఉపయోగించినవి కాకుండా ఇతర కంప్యూటింగ్ వనరుల ద్వారా దాన్ని యాక్సెస్ చేయడం సాధ్యం కాదు.
కాన్ఫిడెన్షియల్ కంప్యూటింగ్తో ఉన్న పెద్ద సమస్య ఏమిటంటే, సాధ్యమయ్యే అన్ని AI మోడల్లు మరియు క్లౌడ్ ఇన్స్టాన్స్లను నిర్వహించడానికి అవసరమైన వినియోగ కేసుల స్థాయిని కవర్ చేయడానికి ఇది తగినంతగా స్కేల్ చేయదు. ప్రతి నిర్దిష్ట వినియోగ సందర్భం కోసం TEEలు తప్పనిసరిగా సృష్టించబడాలి మరియు నిర్వచించబడాలి కాబట్టి, మీ డేటాను భద్రపరచడానికి పరిమిత సమయం, కృషి మరియు ఖర్చు అవసరం.
కానీ కాన్ఫిడెన్షియల్ కంప్యూటింగ్తో ఉన్న పెద్ద సమస్య ఏమిటంటే అది ఫూల్ప్రూఫ్ కాదు. TEEలోని డేటా తప్పనిసరిగా ప్రాసెస్ చేయబడటానికి ఎన్క్రిప్ట్ చేయబడి ఉండాలి, పర్యావరణంలోని దుర్బలత్వాలను ఉపయోగించుకోవడానికి క్వాంటం దాడి వెక్టర్లకు తలుపులు తెరుస్తుంది. డేటా దాని జీవితచక్రంలో ఏ సమయంలోనైనా డీక్రిప్ట్ చేయబడితే, అది బహిర్గతమవుతుంది. అదనంగా, AI లేదా కంప్యూటింగ్ సాధనాలు వ్యక్తిగత డేటాను యాక్సెస్ చేసినప్పుడు, TEEలు కూడా ఒకసారి డీక్రిప్ట్ చేసిన తర్వాత అనామకతను కోల్పోతారు.
డేటా గోప్యతను విప్లవాత్మకంగా మార్చండి
గోప్యత కోసం మాత్రమే పోస్ట్-క్వాంటం సాంకేతికత లాటిస్-ఆధారిత పూర్తి హోమోమార్ఫిక్ ఎన్క్రిప్షన్ (FHE). ప్రాసెసింగ్ సమయంలో సహా దాని జీవితచక్రం అంతటా డేటా గుప్తీకరించబడటానికి ఇది అనుమతిస్తుంది. ఇది లీక్లు లేదా డేటా ఉల్లంఘనలు లేవని నిర్ధారిస్తుంది మరియు ఉపయోగంలో ఉన్నప్పుడు మీ డేటా యొక్క అజ్ఞాతతకు హామీ ఇస్తుంది.
FHE యొక్క ప్రయోజనాలు AI మరియు క్లౌడ్ కంప్యూటింగ్ సాధనాల ప్రభావంలో మరియు డేటాను రక్షించే పనిలో ఉన్న వ్యక్తులు మరియు వ్యాపారాల భద్రతకు హామీ ఇవ్వడంలో రెండింటిలోనూ అనుభూతి చెందుతాయి. ఉదాహరణకు, క్యాన్సర్ని ముందస్తుగా గుర్తించే AI నమూనాలు వేల సంఖ్యలో కాకుండా లక్షలాది మంది రోగుల రికార్డులకు ప్రాప్యత కలిగి ఉంటే ఎంత ప్రభావవంతంగా ఉంటాయో ఊహించండి. అయినప్పటికీ, ఈ రికార్డులన్నీ సురక్షితంగా ఎన్క్రిప్ట్ చేయబడి ఉంటాయి, వాటిని రాజీ లేదా లీక్ చేయడం అసాధ్యం, మరియు మోడల్కు ఒక్క రోగి కూడా తెలియదు. అందువల్ల, గోప్యత ఎల్లప్పుడూ నిర్వహించబడుతుంది.
ఈ రోజు వరకు, FHE యొక్క స్వీకరణ మరియు పెద్ద-స్థాయి వినియోగాన్ని పరిమితం చేసిన ఒక అవరోధం మెమరీ, గణన మరియు బ్యాండ్విడ్త్లో తీవ్రమైన అడ్డంకులను అధిగమించడానికి అవసరమైన అపారమైన ప్రాసెసింగ్ లోడ్. హైపర్స్కేల్ క్లౌడ్ డేటా సెంటర్లో FHEని అమలు చేయడానికి నేటి తాజా తరం CPUలు మరియు GPUల కంటే మిలియన్ రెట్లు వేగవంతమైన పనితీరు అవసరమని అంచనా వేయబడింది. ఇటీవలి సంవత్సరాలలో మరిన్ని సాఫ్ట్వేర్ ఆధారిత పరిష్కారాలు వెలువడ్డాయి, అయితే క్లౌడ్లో మెషిన్ లెర్నింగ్, డీప్ లెర్నింగ్, న్యూరల్ నెట్వర్క్లు మరియు హెవీ అల్గారిథమిక్ ఆపరేషన్ల యొక్క గణన అవసరాలను తీర్చడానికి తగిన స్థాయిని సాధించడానికి అవి ఇప్పటికీ కష్టపడుతున్నాయి. కఠిన కాలము.
అంకితమైన ఆర్కిటెక్చర్ మాత్రమే ఈ నిర్దిష్ట అడ్డంకులను పరిష్కరిస్తుంది, గుప్తీకరించని డేటాను ప్రాసెస్ చేయడంతో పోల్చదగిన TCO వద్ద నిజ-సమయ FHEని ఎనేబుల్ చేస్తుంది మరియు తుది వినియోగదారులు CPU లేదా ఇతర రకాల ప్రాసెసర్లో ప్రాసెస్ చేయడం మధ్య వ్యత్యాసాన్ని అనుభవించేలా చేస్తుంది. దానిని గుర్తించలేని విధంగా చేయండి. . కాబట్టి OpenAI CEO సామ్ ఆల్ట్మాన్ ప్రైవేట్ LLMల కోసం అంకితమైన హార్డ్వేర్ ప్రాసెసర్లను అభివృద్ధి చేయడానికి $1 బిలియన్ను ఎందుకు పెట్టుబడి పెడుతున్నారు మరియు హైపర్స్కేల్ క్లౌడ్ సర్వీస్ ప్రొవైడర్లు దీనిని అనుసరిస్తున్నారు.
గోప్యత: తదుపరి సరిహద్దు
ఇప్పుడు దావోస్ మరియు ఇతర గ్లోబల్ ఫోరమ్లలో ఉత్పాదక AI ఒక కేంద్రంగా ఉద్భవించింది, ఇది సమాజానికి దాని సంభావ్య ప్రయోజనాలు మరియు దాని లోపాలు రెండింటిపై దృష్టిని ఆకర్షిస్తోంది. AI ద్వారా ఎదురయ్యే సవాళ్లను విశ్లేషించేటప్పుడు, గోప్యత అనివార్యంగా ఒక ప్రముఖ సమస్య.
అలాగే, గోప్యత త్వరగా తదుపరి పెద్ద సాంకేతిక పరిశ్రమగా మారుతోంది. సాంకేతిక పురోగతులు మా వ్యక్తిగత డేటా ఉపరితలంపై మునుపెన్నడూ లేనంతగా ప్రభావం చూపుతాయి మరియు డేటాను ఎక్స్పోనెన్షియల్ రేట్లలో సృష్టించడం మరియు ప్రాసెస్ చేయడం వలన, మా గోప్యతను నిర్ధారించడానికి భద్రతా చర్యల కోసం డిమాండ్ పెరుగుతోంది.
నిబంధనలు మనల్ని రక్షించలేవు. సాంకేతిక పరిష్కారాలు మాత్రమే సాంకేతిక సమస్యలను పరిష్కరించగలవు. మరియు గోప్యత విషయానికి వస్తే, అంకితమైన పోస్ట్-క్వాంటం పరిష్కారాలు మాత్రమే ప్రబలంగా ఉంటాయి.
మేము ఉత్తమ వ్యాపార VPNలను ఫీచర్ చేసాము.
ఈ కథనం TechRadarPro యొక్క నిపుణుల అంతర్దృష్టుల ఛానెల్లో భాగంగా రూపొందించబడింది, ఈ రోజు సాంకేతికతలో కొన్ని ప్రకాశవంతమైన మనస్సులను కలిగి ఉంది. ఇక్కడ వ్యక్తీకరించబడిన అభిప్రాయాలు రచయిత యొక్క అభిప్రాయాలు మరియు TechRadarPro లేదా Future plcకి సంబంధించినవి కానవసరం లేదు. మీకు సహకారం అందించడానికి ఆసక్తి ఉంటే, ఇక్కడ మరింత తెలుసుకోండి. https://www.techradar.com/news/submit-your-story-to-techradar-pro
[ad_2]
Source link
