چگونه هوش مصنوعی می تواند افراد را حتی در مجموعه داده های ناشناس شناسایی کند

به گزارش خبر اول و به نقل از sciencenews نحوه تعامل شما با یک جمعیت ممکن است به شما کمک کند حداقل از هوش مصنوعی دوری کنید. محققان در 25 ژانویه در Nature Communications گزارش می دهند که وقتی اطلاعاتی در مورد تعاملات تلفن همراه یک فرد مورد نظر و همچنین تعاملات مخاطبین آنها ارائه می شود، هوش مصنوعی می تواند به درستی هدف را از بین بیش از 40000 مشترک سرویس تلفن همراه ناشناس بیش از نیمی از زمان ها انتخاب کند. این یافته‌ها نشان می‌دهد که انسان‌ها به روش‌هایی اجتماعی می‌شوند که می‌توان از آن‌ها برای انتخاب آنها از مجموعه داده‌هایی که ظاهراً ناشناس هستند استفاده کرد.

جایدیپ سریواستاوا، دانشمند کامپیوتر از دانشگاه مینه سوتا در مینیاپولیس که در این مطالعه شرکت نداشت، می‌گوید: جای تعجب نیست که افراد تمایل دارند در حلقه‌های اجتماعی تثبیت شده باقی بمانند و این تعاملات منظم در طول زمان یک الگوی پایدار را تشکیل می‌دهند. اما این واقعیت که شما می توانید از آن الگو برای شناسایی فرد استفاده کنید، آن بخش شگفت آور است.

بر اساس قانون حفاظت از داده های عمومی اتحادیه اروپا و قانون حفظ حریم خصوصی مصرف کنندگان کالیفرنیا، شرکت هایی که اطلاعات مربوط به تعاملات روزانه افراد را جمع آوری می کنند، می توانند این داده ها را بدون رضایت کاربران به اشتراک بگذارند یا بفروشند. نکته مهم این است که داده ها باید ناشناس باشند. Yves-Alexandre de Montjoye، محقق حریم خصوصی محاسباتی در امپریال کالج لندن، می‌گوید: برخی سازمان‌ها ممکن است تصور کنند که با دادن نام مستعار به کاربران می‌توانند این استاندارد را برآورده کنند. “نتایج ما نشان می دهد که این درست نیست.”

د مونتجویه و همکارانش این فرضیه را مطرح کردند که می توان از رفتار اجتماعی افراد برای انتخاب آنها از مجموعه داده های حاوی اطلاعات مربوط به تعاملات کاربران ناشناس استفاده کرد. محققان برای آزمایش فرضیه خود، به یک شبکه عصبی مصنوعی – یک هوش مصنوعی که مدارهای عصبی یک مغز بیولوژیکی را شبیه‌سازی می‌کند – آموزش دادند تا الگوها را در تعاملات اجتماعی هفتگی کاربران تشخیص دهد.

برای یک آزمایش، محققان شبکه عصبی را با داده‌های یک سرویس تلفن همراه ناشناس آموزش دادند که تعاملات 43606 مشترک را طی 14 هفته شرح داد. این داده ها شامل تاریخ هر تعامل، زمان، مدت زمان، نوع (تماس یا پیامک)، نام مستعار طرفین درگیر و شروع کننده ارتباط بود.

داده‌های تعامل هر کاربر در ساختارهای داده‌ای به شکل وب سازمان‌دهی شد که شامل گره‌هایی است که کاربر و مخاطبین او را نشان می‌دهند. رشته های رشته ای با داده های تعاملی، گره ها را به هم متصل می کنند. به هوش مصنوعی وب تعامل یک شخص شناخته شده نشان داده شد و سپس برای جستجوی داده های ناشناس برای وب که بیشترین شباهت را داشت، آزاد شد.

این شبکه عصبی تنها 14.7 درصد از افراد را به خود ناشناس خود مرتبط کرد، زمانی که وب‌های تعاملی حاوی اطلاعاتی درباره تعاملات تلفنی یک هدف که یک هفته پس از آخرین رکوردها در مجموعه داده ناشناس رخ داده بود، نشان داده شد. اما زمانی که نه تنها اطلاعاتی در مورد تعاملات هدف، بلکه همچنین اطلاعات مخاطبین آنها به آنها داده شد، 52.4 درصد از افراد را شناسایی کرد. وقتی محققان داده‌های تعامل هدف و مخاطبین را که 20 هفته پس از مجموعه داده‌های ناشناس جمع‌آوری شده بود، در اختیار هوش مصنوعی قرار دادند، هوش مصنوعی همچنان 24.3 درصد مواقع کاربران را به درستی شناسایی می‌کرد که نشان می‌دهد رفتار اجتماعی برای دوره‌های زمانی طولانی قابل شناسایی است.

برای اینکه ببینند آیا هوش مصنوعی می‌تواند رفتار اجتماعی را در جای دیگری نشان دهد، محققان آن را روی مجموعه داده‌ای متشکل از چهار هفته داده‌های نزدیک از تلفن‌های همراه 587 دانشجوی ناشناس که توسط محققان کپنهاگ جمع‌آوری شده بود، آزمایش کردند. این شامل داده های تعاملی شامل نام مستعار دانش آموزان، زمان برخورد و قدرت سیگنال دریافتی بود که نشان دهنده نزدیکی به دانش آموزان دیگر بود. این معیارها اغلب توسط برنامه‌های ردیابی تماس COVID-19 جمع‌آوری می‌شوند. با توجه به یک هدف و داده های تعامل مخاطبین آنها، هوش مصنوعی در 26.4 درصد مواقع دانش آموزان را به درستی در مجموعه داده شناسایی می کرد.

محققان خاطرنشان می‌کنند که این یافته‌ها احتمالاً در مورد پروتکل‌های ردیابی تماس Google و سیستم اعلان تماس اپل که با رمزگذاری تمام ابرداده‌های بلوتوث و ممنوع کردن جمع‌آوری داده‌های مکان از حریم خصوصی کاربران محافظت می‌کند، اعمال نمی‌شود.

د مونتجویه می گوید امیدوار است این تحقیق به سیاست گذاران کمک کند تا استراتژی های محافظت از هویت کاربران را بهبود بخشند. او می گوید که قوانین حفاظت از داده ها به اشتراک گذاری داده های ناشناس برای حمایت از تحقیقات مفید اجازه می دهد. “با این حال، آنچه برای این کار ضروری است این است که مطمئن شویم ناشناس سازی واقعا از حریم خصوصی افراد محافظت می کند.”