Наш путь к более безопасному ИИ: обмен данными без нарушения конфиденциальности
Плавный обмен данными и сохранение конфиденциальности — должен ли это быть такой трудный выбор?
Трение — прекрасное явление — в нужном количестве оно дает вам контроль. Имейте слишком много этого, и это сделает вас неподвижным и разочарует вас в работе.
Серьезным источником трений в инновациях, основанных на данных, является обмен данными, а для людей, которые находятся по другую сторону этого процесса, доступ к данным. Эта проблема усложняется, когда кто-то обрабатывает конфиденциальные данные.
Теперь есть некоторое количество хороших разногласий (правильно). Различные законы и требования (например, GDPR в Европе, HIPAA в США, PDP в Индии), которые требуют этичного и ответственного использования данных предприятиями и техническими командами. Однако, учитывая контекст вашего бизнеса, иногда это трение также может оказаться контрпродуктивным или ограничивающим, даже если вы в конечном итоге создаете ценность для одного и того же клиента.
Что, если бы вам никогда не приходилось выбирать между скоростью и безопасностью?
Более плавный и безопасный обмен данными имеет множество преимуществ:
- Быстрее переходить от идеи к эксперименту с ИИ
- Возможность извлекать ценность из неиспользованных источников данных
Изменение мышления: готовность к будущему или когда это произойдет
Обмен данными внутри компании или с внешними поставщиками данных непрост и сопряжен с большими обязанностями:
- Сохранение конфиденциальности личной информации (PII)
- Защита конфиденциальных данных от раскрытия
Конфиденциальность по умолчанию: выход за рамки соответствия и нормативных требований
Дорожные/транспортные системы начали разрабатываться в 1800-х годах. Автомобили начали появляться в 1900-х годах, конечно, с ограниченными возможностями. Но только наличие более совершенных систем дорожного движения не остановило аварии. Так что именно тогда транспортные средства должны были разработать различные механизмы (блокировка, подушки безопасности и т. д.) внутри транспортного средства, что сделало путешествие намного более безопасным и надежным, чем то, что облегчили правила дорожного движения.
Соответствие и правила создают необходимые трения, которые помогают быть в первую очередь клиентом. С другой стороны, применять и поддерживать их, изучая данные для пользы тех же клиентов — легче сказать, чем сделать.
Шутки в сторону, просто в зависимости от соблюдения и правил недостаточно. Они заложили фундамент. Ведущие мировые команды специалистов по обработке и анализу данных хотят не только обеспечить соблюдение нормативных требований, но и быть на шаг впереди, внедряя конфиденциальность по умолчанию в свои рабочие процессы.
Что происходит в реальном мире?
Разблокировка персонализации — безопасно и конфиденциально
В случае с финансами вся экосистема продуктов и услуг для персонализации основана на данных, генерируемых нашими финансовыми записями и транзакциями.
Однако масштабная персонализация — непростая задача. Это нужно —
- итеративное обучение
- единый взгляд на клиента и
- контекстуальный «учебный план» (последовательность интервенций для клиента)
Эти сервисы персонализации собирают различные данные об их аудитории из нескольких источников. Что, если большинство, если не все, из этих источников содержат конфиденциальные личные данные о своих клиентах? Что, если все эти источники регулируются даже разными правилами. Это очень быстро превращается в трения, которые создают препятствия и тормозят ваш процесс.
Когда дело доходит до этого компромисса, вот что говорит Шри Шивананда — старший вице-президент и технический директор Paypal:
Ваш бизнес глобальный, почему не ваша наука о данных?
Алгоритмы предотвращения рисков должны объединять как глобальные, так и локальные наборы данных для обеспечения точности. Тем не менее, с увеличением количества локальных данных становится все сложнее и утомительнее отслеживать местные правила и объединять их с глобальными знаниями, на которых основано большинство ТНК.
Brighterion, компания искусственного интеллекта из Сан-Франциско, была приобретена Mastercard в 2017 году. Worldpay обратилась к Brighterion за помощью в борьбе с отмыванием денег (AML), финансированием терроризма (CTF), финансовым мошенничеством и соблюдением нормативных требований, прежде чем тысячи людей сошлись на Лондон к летним Олимпийским играм 2012 года.
Чтобы добиться действительно эффективного, динамичного и масштабируемого противодействия отмыванию денег, а также обеспечить соблюдение нормативных актов правительства Великобритании, Worldpay и Brighterion совместно работали над тем, чтобы выйти за рамки существующих систем, основанных на правилах, и внедрить высокоадаптивную систему предотвращения мошенничества на основе ИИ в режиме реального времени.
Однако будущее не облегчает гладкое процветание таких технологий. Такие компании, как Brighterion и Simility (приобретенные Paypal), сталкиваются с общим давлением — объединяют свои исторические наборы данных с локальными данными о клиентах. Законы Китая о защите данных (например, руководство по данным PBOC) запрещают удаление входящих внешних данных, в то же время они также запрещают любым локальным данным покидать его центры обработки данных. Как ведущие технологии анализа рисков выходят из этого тупика?
ИИ лучше создается вместе. Можем ли мы не выбирать между сотрудничеством и эффективностью?
Все большее число банков и финансовых учреждений (финансовых учреждений) начали сотрудничать с внешними командами искусственного интеллекта и стартапами в нише, вознаграждая такие задачи, как оценка рисков, оценка кредитоспособности, персонализация и т. д.
Однако операционализация этих отношений сопряжена со многими трудностями:
1. Долгие циклы переговоров
2. Постоянное недоверие друг к другу: обязательства и риски обмена данными
Будущее. Что, если бы вы могли предотвращать, а не исправлять?
Мы верим в новое будущее искусственного интеллекта. Если ваша команда работает над повышением конфиденциальности и безопасности, мы будем рады помочь.
