Naukowcy opracowali nową metodę, która pozwala modelom sztucznej inteligencji "zapomnieć" wybrane dane treningowe bez konieczności przebudowywania całej sieci neuronowej od zera. Zamiast tradycyjnego podejścia - polegającego na ponownym treningu modelu ze wszystkimi danymi oprócz tych do usunięcia - badacze wykorzystali geometrię reprezentacji sieci i mechanizm zwanego mode connectivity do szybkiego i efektywnego usuwania informacji. To przełomowe rozwiązanie otwiera drogę do praktycznego wdrażania "prawa do bycia zapomnianym" i innych wymogów regulacyjnych dotyczących prywatności danych, których spełnienie dotychczas kosztowało firmy znaczne zasoby obliczeniowe.
Metoda jest ważna zwłaszcza wobec rosnących wymagań prawnych w Unii Europejskiej, USA i innych regionach. Prawo do bycia zapomnianym, zapisane między innymi w RODO, daje użytkownikom możliwość żądania usunięcia swoich danych, a producenci systemów AI muszą być w stanie to realizować szybko i niezawodnie. Dotychczasowe podejścia były czasochłonne i droższe - czasem prawie równie kosztowne co całkowity retraining modelu. Nowe rozwiązanie znacznie przyspieszą ten proces i uczyni compliance bardziej ekonomiczny dla firm pracujących z dużymi modelami.
Naukowcy wykazali, że ich metoda bazująca na geometrii rozmaitości reprezentacji może być aplikowana do różnych architektur sieciowych i typów modeli. To oznacza potencjalnie uniwersalne narzędzie do machine unlearning, które mogłoby zostać zintegrowane z procesami produkcyjnymi wspólnotę sztucznej inteligencji. Jeśli technologia będzie dalej rozwijana i testowana, może stać się standardowym elementem odpowiedzialnego wdrażania dużych modeli językowo-graficznych i systemów computer vision w biznesie.