Naukowcy opracowali RULER - metodę, która pozwala sprawdzić, czy modele sztucznej inteligencji naprawdę zapominają dane treningowe podczas procedury machine unlearning. Problem leży w tym, że dotychczasowe sposoby weryfikacji były zawodne - biorąc pod uwagę jedynie zachowanie modelu na wyjściu, nie potrafiły skutecznie ustalić, czy usunięte informacje rzeczywiście zniknęły z wag modelu czy zostały jedynie zamaskowane. RULER zmienia to podejście, analizując wewnętrzne reprezentacje modelu na głębokim poziomie, co daje znacznie bardziej wiarygodne potwierdzenie, że unlearning rzeczywiście się powiódł.
Znaczenie tej metodologii trudno przesadować, zwłaszcza w kontekście rosnących wymagań regulacyjnych. Prawo do bycia zapomnianym, przesądzone przepisami takimi jak RODO, zakłada, że dane użytkownika powinny być ostatecznie usunięte z systemów - w tym z modeli AI. Dotychczas firmy mogły twierdzić, że wdrażają unlearning, ale brakowało niezawodnych narzędzi do niezależnej weryfikacji takich twierdzeń. RULER wprowadza obiektywny sposób sprawdzenia, czy procedura rzeczywiście zadziałała na poziomie fundamentalnym, czyli w samych wagach sieci neuronowej.
To rozwiązanie ma potencjał stać się standardem branżowym dla organizacji poszukujących autentycznej zgodności z przepisami o prywatności. Bez niego kwestia machine unlearning pozostawała raczej obietnicą niż faktycznym gwarantem - teraz badacze mają konkretne narzędzie, aby sprawdzić, czy firmy honorują zobowiązania wobec użytkowników. W praktyce oznacza to większą kontrolę nad tym, czy dane działalnie znikają z zapamiętanych informacji modeli, a nie tylko przestają być dostępne na poziomie API lub interfejsu.