Naukowcy stworzyli nową metodę usuwania danych treningowych z modeli AI, która uwzględnia problem wzajemnych zakłóceń między zadaniami. Do tej pory, gdy chcieliśmy usunąć konkretne informacje z wielozadaniowego modelu - na przykład dane osobowe czy wrażliwe materiały - ryzykliśmy pogorszeniem wydajności na innych zadaniach, które model miał wykonywać. To stanowiło naprawdę trudny dylemat w świecie sztucznej inteligencji: jak respektować prawo do bycia zapomnianym bez przypadkowego uszkodzenia modelu w innym miejscu.
Nowa technika unlearning rozwiązuje ten problem poprzez optymalizację procesu usuwania danych w taki sposób, aby zminimalizować te negatywne efekty uboczne. Badacze biorą pod uwagę, że wiedza z jednego zadania może być powiązana z innym - wiele współczesnych modeli, od dużych modeli językowych po systemy multimodalne, musi radzić sobie jednocześnie z wieloma funkcjami. Opracowana metoda pozwala precyzyjnie usuwać dane bez "kolateralnych strat" na wydajności. To znaczące postępy, szczególnie gdy spojrzymy na narastające wymogi regulacyjne dotyczące prywatności danych, w tym artykuł 17 ogólnego rozporządzenia o ochronie danych (RODO).
Dla praktyków zajmujących się bezpieczeństwem i odpowiedzialnością AI ma to duże znaczenie. Firmy mogą teraz bardziej śmiało wdrażać funkcje usuwania danych na życzenie użytkowników, wiając, że nie będzie to kosztować ich wydajności modeli na innych frontach. To krok w stronę bardziej etycznego podejścia do sztucznej inteligencji - łącze między rzeczywistą funkcjonalnością a wymogami prawa i moralnością bez konieczności wybierania między nimi.