দেখো, আমি বুঝতে পারছি সম্মতি নিরাপত্তা নয় .

কিন্তু গোপনীয়তা একটি সত্যিই অনন্য উপায়ে নিরাপত্তার সাথে ইন্টারঅ্যাক্ট করে: ব্যক্তিগতভাবে শনাক্তযোগ্য তথ্য অন্তর্ভুক্ত করে এমন ডেটার নিরাপত্তার সর্বোচ্চ মান প্রয়োজন। গোপনীয়তার অর্থ চিরতরে পরিবর্তিত হয়েছে, কারণ বড় গণনার অর্থ হল সম্পূর্ণ "বেনামী" ডেটাসেটগুলির সংমিশ্রণ থেকে পুনরায় সনাক্তকরণ ব্যক্তিকে সহজেই সনাক্ত করতে ব্যবহার করা যেতে পারে।

আমরা যদি অনলাইনে গোপনীয়তা রক্ষা করতে যাচ্ছি তাহলে আমাদের মানসিকতা পরিবর্তন করতে হবে।

কম্পিউট, বিশেষ করে বড় গণনা - ব্যক্তিগতভাবে শনাক্তযোগ্য প্যাটার্নে ঘন হয়ে উঠতে স্পারস ইনফরমেশনাল ভেক্টর ব্যবহার করে উচ্চমাত্রিক ডেটাতে প্যাটার্ন আনলক করে। পরিমাণগতভাবে পরিমাপ করার ক্ষমতা কতজন ব্যক্তি, বা অনুরূপ বৈশিষ্ট্যের গোষ্ঠী, পরিমাণগতভাবে Unicity দ্বারা পরিমাপ করা হয়।

ইউনিসিটি প্রায়শই ইংরেজি ভাষায় মূর্ত উদারতা এবং উদারতা হিসাবে ব্যবহৃত হয়।

গণিতের একতাকে একটি গাণিতিক বস্তুর স্বতন্ত্রতা বর্ণনা করা হিসাবে সংজ্ঞায়িত করা হয়, যার সাধারণত অর্থ হল যে শুধুমাত্র একটি বস্তু প্রদত্ত বৈশিষ্ট্য পূরণ করে, অথবা একটি প্রদত্ত শ্রেণীর সমস্ত বস্তু সমতুল্য।

ক্রিপ্টোগ্রাফিতে ইউনিসিটি ডিসটেন্স আজকের ফোকাস নয়, তবে এটি ধারণাটি ব্যাখ্যা করতে সাহায্য করতে পারে: এটি আমাদের বলে যে কতটা সাইফারটেক্সট প্রয়োজন যাতে এনক্রিপশন কীটি অনন্যভাবে পুনরুদ্ধার করা যায়, ধরে নেওয়া যায় যে আক্রমণকারী এনক্রিপশন অ্যালগরিদম জানে এবং তার অ্যাক্সেস আছে সিফারটেক্সট এবং প্লেইনটেক্সট সম্পর্কে কিছু পরিসংখ্যান উভয়ই। মূলত, আপনি খনন করতে যাওয়ার আগে এটি আপনাকে একটি সুই খুঁজে পেতে খড়ের গাদা কত বড় হতে হবে তা গণনা করতে দেয়।

বৃহৎ ডেটা সেটে একতা পরিমাপের এই ধারণাটি প্রথম একটি গবেষণার মাধ্যমে বিখ্যাত হয়েছিল যেটি দেখা গেছে যে 90% জনেরও বেশি লোককে একটি Netflix পুরস্কার ডেটা সেটে স্বতন্ত্রভাবে পুনরায় সনাক্ত করা যেতে পারে যেমন তারা, "প্রদর্শন করে যে একজন প্রতিপক্ষ যে সামান্য কিছু জানে একজন স্বতন্ত্র গ্রাহক সহজেই ডেটাসেটে এই গ্রাহকের রেকর্ড সনাক্ত করতে পারেন। ইন্টারনেট মুভি ডেটাবেসকে ব্যাকগ্রাউন্ড জ্ঞানের উৎস হিসেবে ব্যবহার করে, আমরা সফলভাবে পরিচিত ব্যবহারকারীদের Netflix রেকর্ড শনাক্ত করেছি, তাদের আপাত রাজনৈতিক পছন্দ এবং অন্যান্য সম্ভাব্য সংবেদনশীল তথ্য উন্মোচন করেছি।"

বড় স্পারস ডেটাসেটের শক্তিশালী ডি-অনামীকরণ

2021 সালে, আমাকে আবার মনে করিয়ে দেওয়া হয়েছিল যে " এমনকি দেশ-স্কেল অবস্থান ডেটাসেটগুলিতেও পুনরায় সনাক্তকরণের ঝুঁকি বেশি থাকে " এটি আমার নিজের প্রতিষ্ঠান, ন্যাশনাল ইনস্টিটিউট অফ হেলথ থেকে এসেছে।

আমি মানুষের মস্তিষ্কের উপর সংকেত প্রক্রিয়াকরণ অধ্যয়ন করছিলাম, আমরা সচেতন সচেতনতা ছাড়াই মস্তিষ্কের নেটওয়ার্ক পরিবর্তন করতে পারি কিনা। স্পয়লার: আপনি পুরোপুরি পারেন । সেই ডেটা দেখে মনে হতে পারে এটি বেশ সংবেদনশীল, অত্যন্ত শনাক্তযোগ্য পৃথক ডেটা হতে পারে - তবে ডেটা সেটগুলি এর চেয়ে অনেক বেশি বিপজ্জনক। আপনার পরিচিত Neflix ব্যবহার মত.

মার্কিন সরকারের অর্থায়নে চিকিৎসা গবেষণার জন্য সেই ডেটা সেটগুলিকে জনসাধারণের কাছে খোলাখুলিভাবে উপলব্ধ করা প্রয়োজন যখন গোপনীয়তা যুক্তিসঙ্গতভাবে সংরক্ষণ করা যেতে পারে, কিন্তু যখন আপনি ডেটা সেটের মধ্যে শুধুমাত্র একজন ব্যক্তিরই নয়, কিন্তু সংমিশ্রণের মাধ্যমে পুনরায় সনাক্তকরণের ঝুঁকির জন্য গণনা করেন। নিকটবর্তী ভৌগোলিক অবস্থানে সহজে পাওয়া যায়।

এটি পুরো সারসংক্ষেপ পড়ার মূল্য:

"যদিও বেনামী ডেটা ব্যক্তিগত ডেটা হিসাবে বিবেচিত হয় না, সাম্প্রতিক গবেষণায় দেখানো হয়েছে কিভাবে ব্যক্তিদের প্রায়ই পুনরায় সনাক্ত করা যায়। পণ্ডিতরা যুক্তি দিয়েছেন যে পূর্ববর্তী ফলাফলগুলি শুধুমাত্র ছোট-স্কেল ডেটাসেটের ক্ষেত্রে প্রযোজ্য এবং বৃহৎ-স্কেল ডেটাসেটে গোপনীয়তা সংরক্ষণ করা হয়। 3 মাসের অবস্থান ডেটা ব্যবহার করে , আমরা (1) ডেটাসেটের আকারের সাথে ধীরে ধীরে হ্রাস পাওয়ার জন্য পুনরায় সনাক্তকরণের ঝুঁকি দেখাই, (2) তিনটি জনসংখ্যা-ব্যাপী প্রান্তিক বিতরণকে বিবেচনায় নিয়ে একটি সাধারণ মডেলের মাধ্যমে এই হ্রাসের আনুমানিক, এবং (3) প্রমাণ করি যে একতা উত্তল এবং একটি রৈখিক নিম্ন আবদ্ধ প্রাপ্ত. আমাদের অনুমান দেখায় যে 60M লোকের একটি ডেটাসেটে 93% লোককে স্বতন্ত্রভাবে চিহ্নিত করা হবে চারটি বিন্দু সহায়ক তথ্য ব্যবহার করে, যার নিম্ন সীমা 22%। এই নিম্ন সীমা 87% বৃদ্ধি পায় যখন পাঁচ পয়েন্ট পাওয়া যায়। একসাথে নেওয়া, আমাদের ফলাফলগুলি দেখায় যে কীভাবে দেশের-স্কেল লোকেশন ডেটাসেটগুলিতেও ব্যক্তিদের গোপনীয়তা সংরক্ষিত হওয়ার সম্ভাবনা খুব কম।"

এটি সেই সোনা যা হ্যাকাররা সাধারণত স্বাস্থ্যসেবা, অর্থ এবং সরকারী রেকর্ডের জন্য খনি করে। তাদের চারটি গোল্ডেন অক্জিলিয়ারী ডেটা পয়েন্ট প্রয়োজন এবং তারা ব্যক্তিটিকে খুঁজে পেতে পারে।

এটি একটি খড়ের গাদা মধ্যে একটি সুচ খুঁজে পাওয়া যাচ্ছে না.

এটি সূঁচের স্তুপে একটি নির্দিষ্ট সুই খুঁজে পাচ্ছে।

আমার যা দরকার তা হল সেই সুই সম্পর্কে তিন মাসের লোকেশন ডেটা এবং বিঙ্গো , আমি পেয়েছি।

বেশিরভাগ প্রতিষ্ঠানের জন্য ডেটা সেটে একতা একটি বিশাল অন্ধবিন্দু।

এটি একটি প্রধান সম্মতি সমস্যা হওয়া উচিত, তবে এটি সেখানেও একটি অন্ধবিন্দু।

এটি একটি বড় নিরাপত্তা ঝুঁকি, যতক্ষণ না আমরা এটি পর্যবেক্ষণ করতে শিখি।

আমি সবেমাত্র IAPP AI গভর্নেন্স ট্রেনিং নিয়েছি। কৃত্রিম বুদ্ধিমত্তার জন্য গোপনীয়তা সংক্রান্ত উদ্বেগের বিষয়ে বিশ্বব্যাপী নিয়ন্ত্রণ বোঝার জন্য এটি নতুন মানদণ্ড মাত্র 2024 সালের এপ্রিলে প্রতিষ্ঠিত হয়েছে। আমি একটি প্রযুক্তিগত পটভূমি পেয়েছি, আমি সেই প্রশিক্ষণটি সমস্ত আইনজীবী, নিয়ন্ত্রক এবং কমপ্লায়েন্স অফিসারদের মনের ভিতরে যাওয়ার জন্য ব্যবহার করতে চেয়েছিলাম। যার সাথে আমি প্রায়ই যোগাযোগ করি। এটি বর্তমান নিয়ন্ত্রক ল্যান্ডস্কেপকে কীভাবে যোগ করে তাতে আমি অত্যন্ত সন্তুষ্ট, এবং আমি পছন্দ করি যে সার্টিফিকেশনের জন্য প্রতি বছর বিষয়ের উপর আপনার প্রশিক্ষণ আপডেট করা প্রয়োজন: এই নিয়ন্ত্রক ল্যান্ডস্কেপে, জিনিসগুলি দ্রুত চলে।

এআই গভর্নেন্স প্রফেশনালরা যা বুঝত সে বিষয়ে আমি এক মুহূর্তের জন্য ফোকাস করতে চাই।

আমি আশা করি আমরা গোপনীয়তা বৃদ্ধিকারী প্রযুক্তির প্রযুক্তিগত অগ্রগতিগুলি কভার করতাম যা আপনার কাছে যদি এমন একটি ডেটা সেট থাকে যা একতার উচ্চ ঝুঁকিতে থাকে তবে আপনাকে বিবেচনা করতে হবে। আমি আশা করি যে আমরা ছোট বা বড় ডেটা সেটগুলিতে ঐক্যের ঝুঁকি কমাতে কোনও পরিচিত, পরিমাণগত পরিমাপ কভার করতাম। আমি চাই আমরা একতা, সময়কাল কভার করতাম।

আমি আশা করি যে আমরা গোপনীয়তা বৃদ্ধি প্রযুক্তি (PETs) এর ব্যবহার কীভাবে অনন্য তা কভার করতাম: লিনাক্স কার্নেলের আদিম থেকে, সেই প্রযুক্তিটি বিশেষভাবে গোপনীয়তা সুরক্ষা মাথায় রেখে ডিজাইন করা হয়েছে। PET উচ্চ ঝুঁকিপূর্ণ ডেটা সেটের জন্য সম্মতি এবং নিরাপত্তা ঝুঁকি উভয়ই প্রশমিত করতে পারে, একযোগে।

নিরাপত্তা ঝুঁকি প্রায়ই হুমকি মডেলিং আকারে পর্যালোচনা করা হয়. এটি তিনটি কারণের গুণনের অনুমানমূলক গণনা: হুমকির ধরন (অভিনেতা, সরবরাহ চেইন দুর্বলতা), প্রভাবের মাত্রা (স্টেকহোল্ডারদের কাছে, শেষ ব্যবহারকারীদের কাছে, ব্যবসায়িক খ্যাতির জন্য) এবং সম্ভাবনা।

ঝুঁকি = হুমকি x প্রভাব x LIKELIHOOD।

আসুন সম্ভাবনার উপর ফোকাস করা যাক: আমি এটিকে পরিচিত/অনুভূত সম্পদের মান হিসাবে গণনা করার প্রবণতা রাখি এবং এমনকি অ্যালগরিদমের মতো বৌদ্ধিক সম্পত্তিতে একটি প্রস্তাবিত মূল্য ট্যাগ রাখি। এটা গুরুত্বপূর্ণ. আপনার অ্যালগরিদমিক আইপি মূল্যায়ন করা উচিত যেমন এটি আপনার পণ্য, কারণ বিশেষ করে AI-তে, এটি একেবারে আপনার পণ্য।

এটি আপনার হুমকি মডেলে স্পষ্টভাবে আপনার মনোযোগ কেন্দ্রীভূত করে। যদি আপনার ব্যবসা বিশেষভাবে জেনারেটিভ অ্যালগরিদমের চারপাশে বৌদ্ধিক সম্পত্তি তৈরি করে, তবে নিরাপত্তার ঐতিহ্যগত পদ্ধতিগুলি কাজ করবে না।

আমাকে ব্যাখ্যা করা যাক কেন:

আমরা এখন ডেটা এনক্রিপ্ট করতে সত্যিই ভালো।

দুর্ভাগ্যবশত, এনক্রিপ্ট করা ডেটা গণনা করা আক্ষরিকভাবে অসম্ভব।

যদি আপনার ব্যবসা গণনার উপর নির্ভর করে (এবং আপনি যদি এতদূর পড়ে থাকেন তবে সম্ভবত এটি করে), তাহলে আপনার পৃষ্ঠের এলাকায় গোপনীয়তা প্রেরিত নিরাপত্তা হুমকি সম্পর্কে সিদ্ধান্ত নেওয়ার জন্য আপনি দায়ী। গোপনীয়তা হল প্রযুক্তির একটি অংশ যেখানে সম্মতি আসলে নিরাপত্তার সাথে সম্পূর্ণভাবে সংযুক্ত হতে পারে।

সেই বিরক্তিকর এনক্রিপ্ট করা ডেটাতে ফিরে যান: এটি এনক্রিপ্ট করা হতে পারে এমন কয়েকটি ভাল কারণ রয়েছে৷ PET কনফিডেন্সিয়াল কম্পিউটিং-এর জন্য আমার প্রিয় বাস্তব ব্যবহারের ক্ষেত্রে বিশ্বব্যাপী মানব পাচারের বিরুদ্ধে লড়াই।

বিশ্বে সর্বদা ভাল মানুষ আছে, এই বিশ্বব্যাপী বিতরণ করা সমস্যার শিকারদের অধিকার এবং স্বাধীনতার জন্য লড়াই করছে। ঐতিহ্যগতভাবে, OSINT কৌশলগুলি তথ্য সহ ডেটাবেসের অবস্থানগুলি সনাক্ত করতে ব্যবহার করা হবে, প্রায়শই ফটোগ্রাফিক বা ভিডিওগ্রাফিক তথ্যের একটি সংগ্রহ, যা আইনত, আপনাকে সেই প্রমাণগুলি সংরক্ষণ এবং ধরে রাখার অনুমতি দেওয়া হয়নি, কারণ লক্ষ্য হল সেই রেকর্ডগুলির জন্য কোনও ক্ষমতা সীমিত করা। কখনও একটি নতুন বিতরণ ভেক্টর আছে.

এটি একটি সমস্যা তৈরি করেছে, কারণ শিকারীরা সহজেই অনলাইনে তথ্য স্থানান্তর করতে পারে, প্রয়োজন অনুসারে তাদের স্থাপত্যকে কেন্দ্রীভূত এবং বিকেন্দ্রীকরণ করতে পারে। যারা সমস্যার সাথে লড়াই করছেন তাদের একই নমনীয়তা ছিল না।

যুক্তিসঙ্গত নিয়ন্ত্রণ, দুর্ভাগ্যজনক সেকেন্ডারি প্রভাব।

এখন, কনফিডেনশিয়াল কম্পিউটিং আমাদের হোপ ফর জাস্টিস প্রাইভেট ডেটা এক্সচেঞ্জে একটি ন্যায্য লড়াই দেয়: একটি বিশ্বস্ত এক্সিকিউশন এনভায়রনমেন্টে কীভাবে সেই অত্যন্ত উচ্চ ঝুঁকির রেকর্ডগুলিকে কেন্দ্রীভূত করা যায় তার একটি প্রদর্শন, একটি হার্ডওয়্যার-ভিত্তিক, প্রত্যয়িত কম্পিউটেশনের মাধ্যমে ব্যবহার করা ডেটা রক্ষা করে বিশ্বস্ত এক্সিকিউশন এনভায়রনমেন্ট: যেখানে এই ডেটা শুধুমাত্র অ্যালগরিদম দ্বারা পর্যবেক্ষণ করা হবে, মানুষের চোখ নয়।

এবং এটা ভাল পায়. যেহেতু আমরা এনক্রিপশনে খুব ভালো, এটি এখন একটি বড়, ফেডারেটেড ডেটা ইকোসিস্টেমের অংশ হয়ে উঠতে পারে। বিশ্বজুড়ে সংস্থাগুলি তাদের রেকর্ডগুলিকে একত্রিত করতে সক্ষম হয় এবং কেবলমাত্র ব্যক্তিদের নয়, অবস্থান এবং গতিবিধির সম্ভাব্য নিদর্শন সম্পর্কে সম্ভাব্য পৃথকভাবে শনাক্তযোগ্য তথ্য পেতে মাত্র চারটি সোনালী সহায়ক ব্যবস্থার জাদু ব্যবহার করতে পারে৷ একটি ন্যায্য লড়াই, যেখানে গোপনীয়তা একটি বিচ্ছিন্ন মৃত্যুদন্ড পরিবেশ দ্বারা সংরক্ষিত হয়: শুধুমাত্র অ্যালগরিদমিক চোখই সেই ছবিগুলি আবার দেখতে পাবে৷

ঐক্য কিছু মহান মন্দ নয়.

ইউনিসিটি একটি টুল, একটি সত্যিই ভাল টুল। ইউনিসিটি আপনার ব্লাইন্ডস্পটকে একটি গণনার সাথে প্রতিস্থাপন করে। এআই কনফর্মিটি অ্যাসেসমেন্টে আপনার নিজের প্রতিষ্ঠানের প্রথম প্রচেষ্টাগুলি দেখুন: ঝুঁকি ব্যবস্থাপনা, ডেটা গভর্নেন্স এবং সাইবার নিরাপত্তা অনুশীলন। বর্তমান প্রবিধানের বাইরে এবং আপনার সিস্টেম প্রকৃতপক্ষে শেষ ব্যবহারকারীদের প্রতিনিধিত্ব করতে পারে এমন মোট ঝুঁকি সম্পর্কে চিন্তা করুন এবং একটি ডেটা ঘন বিশ্বের জন্য হুমকি মডেলিং শুরু করুন। এর এই অধিকার পেতে যাক.

এআই রেগুলেশনের প্রতিটি ফ্রেমওয়ার্ক কভার করার জন্য আমরা যে দিনগুলি কাটিয়েছি সেই দিনগুলিতে আমি অনেক কিছু শিখেছি। AIGP প্রশিক্ষণে প্রদত্ত প্রবিধানের কাঠামোর উপর ভিত্তি করে, যেকোন মাঝারি থেকে বড় আকারের সংস্থায় কীভাবে এটি পরিচালনা করা যায় তার জন্য এখানে আমার বর্তমান সুপারিশ।

এআই গভর্নেন্সের জন্য বর্তমান ফ্রেমওয়ার্ককে অগ্রাধিকার দেওয়া

একটি সমৃদ্ধ এআই গভর্নেন্স ফ্রেমওয়ার্ক

ব্যাপক ঝুঁকি ব্যবস্থাপনা (NIST AI RMF)

1. কাঠামোবদ্ধ ঝুঁকি ব্যবস্থাপনা প্রক্রিয়া:
   • ঝুঁকি শনাক্ত করুন : সম্ভাব্য এআই-সম্পর্কিত ঝুঁকি সনাক্ত করতে পুঙ্খানুপুঙ্খ ঝুঁকি মূল্যায়ন পরিচালনা করুন।
   • ঝুঁকি মূল্যায়ন করুন : চিহ্নিত ঝুঁকির তীব্রতা এবং সম্ভাবনা মূল্যায়ন করুন।
   • ঝুঁকিগুলি পরিচালনা করুন : চিহ্নিত ঝুঁকিগুলি হ্রাস করার জন্য কৌশলগুলি প্রয়োগ করুন৷
   • মনিটর এবং আপডেট : নতুন ঝুঁকির জন্য ক্রমাগত AI সিস্টেমগুলি পর্যবেক্ষণ করুন এবং সেই অনুযায়ী ঝুঁকি ব্যবস্থাপনার কৌশলগুলি আপডেট করুন।

এথিক্যাল এআই ডেভেলপমেন্ট (ওইসিডি এআই প্রিন্সিপলস)

2. নৈতিক বিবেচ্য বিষয় :
   • মানব-কেন্দ্রিক নকশা : নিশ্চিত করুন যে AI সিস্টেমগুলি মানুষের ইনপুটকে অগ্রাধিকার দেয় এবং মানুষের চাহিদা এবং অভিজ্ঞতার সমাধান করে।
   • স্বচ্ছতা এবং ব্যাখ্যাযোগ্যতা : এআই সিস্টেমগুলি কীভাবে সিদ্ধান্ত নেয় সে সম্পর্কে পরিষ্কার এবং বোধগম্য তথ্য সরবরাহ করুন।
   • জবাবদিহিতা : এআই সিস্টেমের কর্ম এবং ফলাফলের জন্য স্পষ্ট জবাবদিহিতা স্থাপন করুন।

রেগুলেটরি কমপ্লায়েন্স (GDPR, EU AI Act)

3. ডেটা সুরক্ষা এবং গোপনীয়তা :
   • জিডিপিআর কমপ্লায়েন্স : ডেটা মিনিমাইজেশন এবং বেনামীকরণ সহ ব্যক্তিগত ডেটা সুরক্ষার জন্য ব্যবস্থাগুলি প্রয়োগ করুন৷
   • EU AI আইন : ঝুঁকি দ্বারা AI সিস্টেমগুলিকে শ্রেণীবদ্ধ করুন এবং উচ্চ-ঝুঁকির AI সিস্টেমগুলির জন্য নির্দিষ্ট প্রয়োজনীয়তার সাথে সম্মতি নিশ্চিত করুন৷
   • ডেটা ইমপ্যাক্ট অ্যাসেসমেন্ট : গোপনীয়তা ঝুঁকি মূল্যায়ন করতে ডেটা প্রোটেকশন ইমপ্যাক্ট অ্যাসেসমেন্ট (DPIAs) এবং AI কনফার্মিটি অ্যাসেসমেন্ট পরিচালনা করুন।

প্রযুক্তিগত বিবেচনা

4. প্রাইভেসি-এনহ্যান্সিং টেকনোলজিস (PETs) :
   • ডিফারেনশিয়াল গোপনীয়তা : গ্রুপ প্যাটার্ন বিশ্লেষণ করার সময় ডেটা গোপনীয়তা নিশ্চিত করতে ডিফারেনশিয়াল গোপনীয়তা প্রয়োগ করুন।
   • ফেডারেটেড লার্নিং : পৃথক ডেটা পয়েন্ট শেয়ার না করে বিকেন্দ্রীভূত ডেটাতে AI মডেলগুলিকে প্রশিক্ষণ দিতে ফেডারেটেড লার্নিং ব্যবহার করুন।
   • হোমোমরফিক এনক্রিপশন : এনক্রিপ্ট করা ডেটাতে গণনা করার জন্য হোমোমরফিক এনক্রিপশন নিয়োগ করুন।
5. ঐক্য এবং পুনরায় সনাক্তকরণের ঝুঁকি :
   • একতা পরিমাপ করুন : গোপনীয়তা নিশ্চিত করতে ডেটাসেটে পুনরায় সনাক্তকরণের ঝুঁকি পরিমাণগতভাবে পরিমাপ করুন।
   • নিরীক্ষণ করুন এবং একতা হ্রাস করুন : ডেটাসেটের একতা ক্রমাগত নিরীক্ষণ করুন এবং এটি হ্রাস করার কৌশলগুলি বাস্তবায়ন করুন।

আপনার বাস্তবায়নে সময়ের সাথে প্রভাব পরিমাপ করার চেষ্টা করুন

1. একটি সেন্ট্রাল গভর্নেন্স বডি প্রতিষ্ঠা করুন: AI গভর্নেন্সের জন্য দায়ী একটি ডেডিকেটেড টিম তৈরি করুন, GDPR, EU AI আইন, NIST AI RMF এবং OECD AI নীতিগুলির সাথে সম্মতি নিশ্চিত করুন৷
2. সমন্বিত নীতি এবং পদ্ধতিগুলি বিকাশ করুন: নীতিগুলি তৈরি করুন যা সমস্ত চারটি নিয়ন্ত্রক কাঠামোর নীতিগুলিকে একীভূত করে, ডেটা সুরক্ষা, ঝুঁকি ব্যবস্থাপনা, স্বচ্ছতা এবং জবাবদিহিতার উপর ফোকাস করে৷
3. কমপ্লায়েন্সের জন্য লিভারেজ টেকনোলজি: সম্মতি এবং ঝুঁকি ব্যবস্থাপনার প্রচেষ্টাকে সমর্থন করতে উন্নত প্রযুক্তি ব্যবহার করুন, যেমন গোপনীয়তা-বর্ধক প্রযুক্তি (PETs) এবং AI পর্যবেক্ষণ টুল।
4. এআই গভর্নেন্সে নিয়ন্ত্রক পরিবর্তন এবং অগ্রগতি সম্পর্কে আপডেট থাকুন, নিশ্চিত করুন যে গভর্নেন্স ফ্রেমওয়ার্ক নতুন উন্নয়নের সাথে বিকশিত হয়। একটি নিয়ন্ত্রক দিগন্ত রেখা রাখুন, কিন্তু আপনি এখনও করতে পারেন এই সমস্যাটি ভিন্নভাবে চিন্তা করা শুরু করুন। আমরা আসলে দায়িত্বশীল গণনা করতে পারি এমন সমস্ত উপায় বিবেচনা করুন।

আমরা যদি ব্যক্তিদের শনাক্ত করতে চাই, আসুন সেই পৃষ্ঠের এলাকাগুলিকে সুরক্ষিত করি।

যদি আমরা ব্যক্তিদের শনাক্ত করতে না চাই, তাহলে আপনার সিস্টেমের আউটপুটগুলিতে পুনরায় সনাক্তকরণের চলমান ঝুঁকি নিরীক্ষণ করার একটি উপায় প্রয়োগ করুন৷

জনসাধারণের মধ্যে নিম্ন স্তরের ঐক্য এবং লঙ্ঘিত ডেটাসেট আমাদের সকলের জন্য দুর্দান্ত হবে। এটি একটি ডেটা হাইজিন অনুশীলন যা আপনার দল করতে পারে, এটি একটি গোপনীয়তা প্রণোদিত প্রতিপক্ষের দ্বারা অভিসারী ডেটা ব্যবহারের ঝুঁকির পরিমাণগত পরিমাপের সাথে করতে পারে। আমরা একেবারেই পারি, এবং অবশ্যই, পুনঃশনাক্তকরণ থেকে ব্যক্তিগত ডেটা রক্ষার উপর বাধা বাড়াতে পারি। আমরা শুধুমাত্র এটি করা শুরু করতে পারি যদি আমরা এটি আমাদের নিজস্ব ডেটাতে পরিমাপ করি। আপনি যদি গোপনীয়তা বৃদ্ধিকারী প্রযুক্তি এবং গণনায় নিয়ন্ত্রণের পরিবর্তনের বিষয়ে গুরুতর হন, তাহলে আমাকে এটি সম্পর্কে একটি আকর্ষণীয় প্রশ্ন পাঠান । যদি আপনার সিস্টেমগুলি অগত্যা প্রশিক্ষণে উচ্চ ঝুঁকিপূর্ণ ডেটার সাথে জড়িত থাকে, তাহলে আপনিও যত্ন নিতে পারেন AI তে পড়াশুনা করা হচ্ছে , বা উচ্চ প্রভাবের LLM-এর নিরাপত্তা হুমকি ।