論文の概要: On the Challenges of Deploying Privacy-Preserving Synthetic Data in the
Enterprise
- arxiv url: http://arxiv.org/abs/2307.04208v1
- Date: Sun, 9 Jul 2023 15:42:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-11 14:48:35.748059
- Title: On the Challenges of Deploying Privacy-Preserving Synthetic Data in the
Enterprise
- Title(参考訳): 企業におけるプライバシ保護型合成データの展開の課題
- Authors: Lauren Arthur, Jason Costello, Jonathan Hardy, Will O'Brien, James
Rea, Gareth Rees, Georgi Ganev
- Abstract要約: 生成AIのサブフィールドである合成データのデプロイに関わる課題について検討する。
当社は企業展開に重点を置いており、大量の個人情報と高度に機密性の高いデータによって引き起こされるプライバシー上の懸念に重点を置いています。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative AI technologies are gaining unprecedented popularity, causing a
mix of excitement and apprehension through their remarkable capabilities. In
this paper, we study the challenges associated with deploying synthetic data, a
subfield of Generative AI. Our focus centers on enterprise deployment, with an
emphasis on privacy concerns caused by the vast amount of personal and highly
sensitive data. We identify 40+ challenges and systematize them into five main
groups -- i) generation, ii) infrastructure & architecture, iii) governance,
iv) compliance & regulation, and v) adoption. Additionally, we discuss a
strategic and systematic approach that enterprises can employ to effectively
address the challenges and achieve their goals by establishing trust in the
implemented solutions.
- Abstract(参考訳): 生成AI技術は前例のない人気を得ており、その優れた能力によって興奮と不安が混ざり合っている。
本稿では,生成AIのサブフィールドである合成データのデプロイに関わる課題について検討する。
当社の焦点は企業の展開であり、大量の個人的および高度に機密性の高いデータによって引き起こされるプライバシーの懸念に重点を置いている。
40以上の課題を特定し、それらを5つの主要なグループに体系化する。
i)世代
二 インフラ及び建築
三 統治
四 コンプライアンス及び規制、及び
v) 採用。
さらに,企業が課題に効果的に対処し,実現したソリューションへの信頼を確立することで目標を達成するための戦略的かつ体系的なアプローチについても論じる。
関連論文リスト
- Navigating Privacy and Copyright Challenges Across the Data Lifecycle of
Generative AI [30.05760947688919]
データライフサイクルにおけるプライバシーと著作権保護の多面的課題について論じる。
我々は、技術的革新と倫理的展望を組み合わせた統合的なアプローチを提唱する。
この作業は、より広範な議論のきっかけとなり、ジェネレーティブAIにおけるデータのプライバシと著作権の整合性に対する継続的な取り組みを促進することを目的としている。
論文 参考訳(メタデータ) (2023-11-30T05:03:08Z) - The Privacy Pillar -- A Conceptual Framework for Foundation Model-based Systems [10.261775049562708]
ファンデーションモデルは、大きな課題と素晴らしい機会の両方を示します。
現在、プライバシー評価プロセスが包含すべき技術的問題と非技術的問題の両方の包括的範囲について合意が得られていない。
本稿では、複数の視点から様々な責任あるAIパターンを統合する新しい概念的枠組みを紹介する。
論文 参考訳(メタデータ) (2023-11-13T00:44:06Z) - Predictable Artificial Intelligence [67.79118050651908]
予測可能性を達成することは、AIエコシステムの信頼、責任、コントロール、アライメント、安全性を促進するために不可欠である、と私たちは主張する。
本稿では,予測可能なAIに関する疑問,仮説,課題を解明することを目的とする。
論文 参考訳(メタデータ) (2023-10-09T21:36:21Z) - Causal Reasoning: Charting a Revolutionary Course for Next-Generation
AI-Native Wireless Networks [63.246437631458356]
次世代無線ネットワーク(例:6G)は人工知能(AI)ネイティブである。
本稿では、新たな因果推論分野を基盤として、AIネイティブな無線ネットワークを構築するための新しいフレームワークを紹介する。
因果発見と表現によって対処できる無線ネットワークの課題をいくつか挙げる。
論文 参考訳(メタデータ) (2023-09-23T00:05:39Z) - Security and Privacy on Generative Data in AIGC: A Survey [17.456578314457612]
我々はAIGCにおける生成データのセキュリティとプライバシについてレビューする。
プライバシ、制御性、信頼性、コンプライアンスの基本的な性質の観点から、最先端の対策が成功した経験を明らかにする。
論文 参考訳(メタデータ) (2023-09-18T02:35:24Z) - Federated Learning-Empowered AI-Generated Content in Wireless Networks [58.48381827268331]
フェデレートドラーニング(FL)は、学習効率を改善し、AIGCのプライバシー保護を達成するために利用することができる。
我々は,AIGCの強化を目的としたFLベースの技術を提案し,ユーザが多様でパーソナライズされた高品質なコンテンツを作成できるようにすることを目的とする。
論文 参考訳(メタデータ) (2023-07-14T04:13:11Z) - AI for IT Operations (AIOps) on Cloud Platforms: Reviews, Opportunities
and Challenges [60.56413461109281]
IT運用のための人工知能(AIOps)は、AIのパワーとIT運用プロセスが生成するビッグデータを組み合わせることを目的としている。
我々は、IT運用活動が発信する重要なデータの種類、分析における規模と課題、そしてどのように役立つかについて深く議論する。
主要なAIOpsタスクは、インシデント検出、障害予測、根本原因分析、自動アクションに分類します。
論文 参考訳(メタデータ) (2023-04-10T15:38:12Z) - Mitigating Sovereign Data Exchange Challenges: A Mapping to Apply
Privacy- and Authenticity-Enhancing Technologies [67.34625604583208]
AET(Authenticity Enhancing Technologies)とPET(Privacy-Enhancing Technologies)は、SDE(Sovereign Data Exchange)に関与していると考えられている。
PETとAETは技術的に複雑であり、採用を妨げる。
本研究は,挑戦指向技術マッピングを実証的に構築する。
論文 参考訳(メタデータ) (2022-06-20T08:16:42Z) - Requirement Engineering Challenges for AI-intense Systems Development [1.6563993097383285]
重要な課題は、複雑なAIインテリジェンスシステムやアプリケーションの振る舞いと品質特性の定義と保証に関係している、と私たちは主張する。
産業、輸送、ホームオートメーションに関連する複雑なAIインテンシングシステムおよびアプリケーションに関連するユースケースから4つの課題領域を導き出します。
これらの課題を解決することは、複雑なAIインテンシングシステムやアプリケーションの開発アプローチに新しい要件エンジニアリング手法を統合するプロセスサポートを暗示します。
論文 参考訳(メタデータ) (2021-03-18T14:06:13Z) - Trustworthy AI [75.99046162669997]
入力データの小さな敵対的変化への脆さ、決定の説明能力、トレーニングデータのバイアスに対処する能力は、最も顕著な制限である。
我々は,AIシステムに対するユーザおよび公的な信頼を高める上での6つの重要な問題に対処するために,信頼に値するAIに関するチュートリアルを提案する。
論文 参考訳(メタデータ) (2020-11-02T20:04:18Z) - AAAI FSS-19: Human-Centered AI: Trustworthiness of AI Models and Data
Proceedings [8.445274192818825]
予測モデルは不確実性を認識し、信頼できる予測をもたらすことが不可欠である。
このシンポジウムの焦点は、データ品質と技術的堅牢性と安全性を改善するAIシステムであった。
広く定義された領域からの提出はまた、説明可能なモデル、人間の信頼、AIの倫理的側面といった要求に対処するアプローチについても論じた。
論文 参考訳(メタデータ) (2020-01-15T15:30:29Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。