Kama sekta nyingine nyingi za viwanda, sekta ya uhakiki pia inaendesha mabadiliko ya digital. Katika hali hii, akili ya kiufundi (AI) inachukua jukumu muhimu zaidi katika ushiriki wa wateja, uchunguzi wa udanganyifu, tathmini ya hatari, na utoaji. Hata hivyo, mchakato wa kuunganisha AI katika mazingira ya uhakiki una changamoto kubwa ya kutumia data nyeti kwa uwajibikaji wakati wa kuhakikisha ufuatiliaji wa sheria na ufanisi wa uendeshaji.
Balaji Adusupalli, kiongozi wa teknolojia na ubunifu ulioongozwa na AI, amefanya jitihada za kushughulikia tatizo hili kwa njia ya makala yake ya utafiti inayoitwa "Uhandisi wa Uhandisi wa Takwimu wa Usalama kwa Usalama wa Usalama wa AI: Uwiano wa faragha, kasi, na intelligence."
Usalama wa Uhandisi wa Data katika Usalama AI
Makampuni ya uhakiki yanahitajika kushughulikia kiasi kikubwa cha data ya kifedha, kibinafsi na tabia. Takwimu hizi zimehusishwa na kuchambuliwa kwa kutumia usanifu wa data.
Kwa mujibu wa Adusupalli, kuna haja ya haraka kwa sekta ya bima ya bima ya kubadilisha mifumo ya IA. Katika mifumo hii, mifano inajitolea ndani ya data iliyotengwa na ufahamu tu wa jumla unashirikiwa. mbinu hii inasaidia kufuata sheria za ulinzi wa data kama GDPR na HIPAA wakati kulinda faragha ya watu binafsi.
Maendeleo ya miundombinu ya uhandisi wa data salama ni muhimu kwa mabadiliko haya yaliyopendekezwa na Adusupalli. Hizi ni miundombinu ambayo data ya asili inabadilishwa, encrypted, anonimized, na hatimaye kutumika kwa mafunzo na utekelezaji wa mifano ya AI. Kila hatua ya miundombinu hii imeelezwa na mfumo wa Adusupalli, kutoka kuchukua data ya awali hadi utekelezaji wa mfano wa mwisho.
The Federated Insurance Data Engineering Pipeline
Kwa njia ya utafiti wake, Adusupalli alitoa
- Anonymization na Encryption Layers: Ulinzi wa idadi na thamani za nambari kwa kutekeleza mbinu za encryption za juu kama vile encryption ya semantic na encryption ya random.
- Ufafanuzi wa Data na Ufafanuzi wa Data: Ufafanuzi wa data nyekundu katika alama na vipengele wakati wa kutumia hatua zinazohitajika za ulinzi wa faragha.
- Utaratibu wa Usimamizi wa Upatikanaji: Usimamizi wa ruhusa za data na kuhakikisha ufuatiliaji kwa kutumia kiwango cha kiwango cha huduma na viwango vya ruhusa
- Safe Multiparty Computation (SMC): Kuhakikisha mafunzo ya ushirikiano wa mifano bila uvujaji wa data kupitia protocols cryptographic.
Hatua zote za pipeline hii zimeundwa ili kuongeza faida ya data bila kuathiri faragha. Hii inaruhusu makampuni ya bima kuendeleza mifano yenye nguvu wakati wa kufuata viwango vya kudumisha.
Privacy-Preserving Techniques
Kwa kuwa imani ni muhimu sana katika sekta hii, Adusupalli inasisitiza kwamba mbinu za kuhifadhi faragha zinapaswa kuingizwa katika mwongozo wa data yenyewe. Anapendekeza kulinda sifa za kibinafsi kwa kutumia mbinu kama vile ushahidi wa ujuzi wa zero, faragha ya tofauti, na k-anonymity. utafiti wake unaelezea jinsi ufuatiliaji usioidhinishwa unaweza kuzuiliwa na hatari ya re-identification inaweza kupunguzwa kwa kutekeleza mbinu hizi ndani ya mifumo ya shirikisho.
Pipeline pia inajumuisha taratibu za uhakiki na uchunguzi unaoendelea, ambayo husaidia kudumisha uaminifu na uadilifu wa mfano. usanifu unalenga na kanuni za usimamizi wa data wenye uwajibikaji na inasaidia maendeleo ya AI ya kimaadili kwa kuondoa mafunzo ya mfano kutoka kwa upatikanaji wa data nyekundu.
Case Studies in Insurance AI
Adusupalli ametoa masomo ya kesi ya kweli ya kuvutia ili kuunga mkono muundo wake wa nadharia.
- Auto Insurance: kutabiri madai na kuboresha mikakati ya bei bila kuunganisha maelezo ya kibinafsi kwa mafunzo ya mifano ya kujifunza kwa data ya wateja iliyosambazwa.
- Usajili wa afya: kujifunza kwa ushirika uliotumiwa na mpango wa afya unaounganishwa na consortium kuunganisha motisha ya premium na data ya shughuli wakati wa kuhifadhi faragha ya mtu binafsi.
- Usalama wa Nyumbani: jukwaa la federated lilitumiwa kwa makampuni mengi ya uhakiki kwa ajili ya tathmini ya hatari kulingana na data ya mali wakati wa kuhakikisha ufuatiliaji na eneo la data.
Mifano hizi zinaonyesha uwezekano wa kupanua na usanidi wa mstari, na kuonyesha matumizi yake katika bidhaa mbalimbali za kiusalama na kijiografia.
Changamoto za kukabiliana
Licha ya misingi yake yenye nguvu, Adusupalli anajua kwamba mfumo wake unaopendekezwa unaweza kuwa na changamoto kadhaa zilizoendelea.
- Ushirikiano: Ushirikiano wa mifumo tofauti ya data kati ya makampuni, watoa huduma, na vyama vya tatu inaweza kuwa mchakato mgumu.
- Uwezo wa kupanua: Unaweza kuhitaji usanidi mkubwa ili kuunga mkono maelfu ya vyanzo vya data na mifano katika muda halisi.
- Threats Adversarial: Katika mazingira ya shirikisho, utafiti unaoendelea na unaohitajika ili kuhakikisha upinzani dhidi ya mashambulizi ya sumu na mabadiliko ya mfano.
Kulingana na utafiti huo, changamoto hizi zinaweza kutatua kwa kuendeleza viwango vya data vya kimataifa na kuingiza mbinu za kompyuta za juu za usalama.
mawazo ya mwisho
Utafiti wa Balaji Adusupalli hutoa mpango mzuri wa kiufundi kwa mustakabali wa AI katika sekta ya uhakiki. Katika wakati ambapo wafadhili zaidi na zaidi wanageuka kwa AI kwa faida ya ushindani, miundombinu hiyo inaweza kucheza jukumu muhimu katika kuhakikisha kuwa uvumbuzi haujafika kwa gharama ya uwazi na uaminifu.
"Kwa kuruhusu maendeleo ya ushirikiano wa AI iliyohifadhiwa na usalama kutoka kwa mifano ya uchambuzi kwa data binafsi, iliyoundwa kwa mahitaji ya ulinzi ya kila mtu, kazi yetu itawezesha mahitaji ya kihistoria ya kushindana kukidhi," Adusupalli anasema katika utafiti wake.
