أصبح الذكاء الاصطناعي ونماذج اللغات الكبيرة (LLMs) رائجًا في الوقت الحالي، ويسعدنا أن نعلن عن بنية مدروسة للاستفادة من LLMs مع الحفاظ على الامتثال الصارم لموضع البيانات. مثلما تقدم التقارير العالمية رؤى عالمية، ترغب الشركات في تشغيل الذكاء الاصطناعي العالمي لتحليل الاتجاهات في البيانات وتمكين المحللين من التعمق في البيانات من خلال المطالبات.
يعمل الذكاء الاصطناعي العالمي ببيانات مجهولة المصدر من بلدان متعددة
باستخدام تقنيات إخفاء الهوية على المستوى الميداني، يمكن إدخال البيانات من خزائن InCountry في بلدان متعددة في ماجستير إدارة أعمال عالمي واحد. يمكن إخفاء هوية حقول البيانات مثل الأسماء الأولى والأخيرة، ثم تقوم LLM بعد ذلك بترميز البيانات مجهولة المصدر. يمكن بعد ذلك تنفيذ LLM على مجموعة بيانات عالمية، ولا يتمتع مستخدمو LLM برؤية في حقول البيانات المنظمة.
خذ بعين الاعتبار حالة اسخدام للرعاية الصحية حيث يكتشف الذكاء الاصطناعي العالمي اتجاهات الشذوذ عبر مجموعة بيانات واسعة من عدة بلدان. يعمل الذكاء الاصطناعي على بيانات المرضى مجهولة المصدر والتي لا يمكن إرجاعها إلى الأفراد في البلدان شديدة التنظيم. عدم وجود بيانات المريض لا يحد: بالنسبة لمعظم التحليلات والرؤى، لا يحتاج LLM إلى معرفة أشياء مثل الأسماء والعناوين. يحتاج إلى معرفة تفاصيل مثل ضغط الدم والأدوية والنتائج الصحية.
يمكن مشاركة الرؤى العالمية عبر البلدان لأنها لا تحتوي على بيانات المرضى. على سبيل المثال، يتعلم الذكاء الاصطناعي عن التفاعلات العكسية غير المتوقعة بين انخفاض ضغط الدم والأدوية. يمكن إرسال رؤى محددة حول المرضى المتأثرين مرة أخرى إلى الموظفين في البلدان الفردية وإلغاء إخفاء هويتهم حسب الحاجة، مع منح الإذن المناسب للوصول إلى سجل مريض معين.
الذكاء الاصطناعي المحلي يعمل بالبيانات المحلية
هناك العديد من حالات الاستخدام للحصول على LLM تعمل على بيانات منظمة مفصلة مثل البيانات الصحية أو المالية. ومع ذلك، غالبًا لا يمكن تصدير مثل هذه البيانات شديدة التنظيم خارج الدولة، حتى لو كانت البيانات مجهولة المصدر.
فكر في حالة استخدام الخدمات المالية ، مثل صياغة حملة بريد إلكتروني تسويقية تتضمن رؤى بناءً على محفظة كل عميل. يتم نشر LLM بشكل كامل داخل البلد كحاوية، ويحلل كل عميل، ويقوم بصياغة الرسائل باستخدام كل من البيانات المنظمة محليًا والبيانات الخارجية غير المنظمة.
يتم نشر الحاوية في كل بلد وتدمج البيانات مباشرة من InCountry Vault في كل بلد. للحفاظ على منع فقدان البيانات في كل بلد، يمكن إخفاء البيانات التي يتم إدخالها في LLM، أو يمكن تطهير الحاوية بعد أداء واجباتها.
إخفاء الهوية، وترميز خصوصية البيانات، وترميز LLM
أحد الجوانب المثيرة للاهتمام التي يجب مراعاتها هو سبب إخفاء هوية البيانات عندما تقوم LLM بترميز البيانات؟ أولاً، يجب تصدير البيانات المنظمة من بلد المصدر إلى LLM. بالإضافة إلى ذلك، فإن تعريف LLM للترميز يختلف تمامًا عن تعريف خصوصية البيانات. بالنسبة إلى LLM، يعمل الرمز المميز كمؤشر إلى وحدة أكبر مثل كلمة، ومثل القاموس، يشير نفس الرمز المميز إلى نفس الكلمة ويمكن عكسه بسهولة. في تعريف خصوصية البيانات، يكون الرمز غير شفاف ويكون عمومًا قيمة للاستخدام الفردي تشير إلى قيمة ذرية.
لذا، في LLM، يتم دائمًا ترميز “Peter” على أنه 322، ولكن في خصوصية البيانات، يتم ترميز حقل Peter في سجل Peter Yared على أنه 542355235 وحقل Peter في سجل Peter Gabriel يتم ترميزه على أنه 564322667.
استخدم الذكاء الاصطناعي عالميًا ومحليًا للحصول على رؤى
في حين أن لوائح البيانات يمكن أن تجعل نشر الذكاء الاصطناعي على مجموعات البيانات العالمية أكثر تعقيدًا بعض الشيء، فإن نهجي InCountry المذكورين أعلاه يجعل من الممكن الحصول على رؤى عالمية وتقديم فوائد محلية مع الحفاظ على الإقامة الكاملة للبيانات للبيانات المنظمة.