لماذا تُعد البيانات التركيبية التي تحافظ على الخصوصية أداة أساسية للشركات

لماذا تُعد البيانات التركيبية التي تحافظ على الخصوصية أداة أساسية للشركات


انضم إلى كبار المديرين التنفيذيين في سان فرانسيسكو يومي 11 و 12 يوليو ، لمعرفة كيف يدمج القادة استثمارات الذكاء الاصطناعي ويحسنونها لتحقيق النجاح. يتعلم أكثر


أصبح العالم الملموس الذي ولدنا فيه أكثر تجانسًا مع العالم الرقمي الذي أنشأناه. لقد ولت الأيام التي كانت فيها معلوماتك الأكثر حساسية ، مثل رقم الضمان الاجتماعي أو تفاصيل حسابك المصرفي ، مغلقة في خزانة في خزانة غرفة نومك. الآن ، يمكن أن تصبح البيانات الخاصة عرضة للخطر إذا لم يتم الاعتناء بها بشكل صحيح.

هذه هي المشكلة التي نواجهها اليوم في المشهد الذي يسكنه المتسللون المهنيون الذين تعمل وظائفهم بدوام كامل على انتقاء تدفقات البيانات الخاصة بك وسرقة هويتك أو أموالك أو معلومات الملكية الخاصة بك.

على الرغم من أن الرقمنة ساعدتنا في تحقيق خطوات كبيرة ، إلا أنها تقدم أيضًا مشكلات جديدة تتعلق بالخصوصية والأمان ، حتى بالنسبة للبيانات غير “الحقيقية” بالكامل.

في الواقع ، كان ظهور البيانات التركيبية لإبلاغ عمليات الذكاء الاصطناعي وتبسيط سير العمل قفزة هائلة في العديد من القطاعات. لكن البيانات التركيبية ، مثل البيانات الحقيقية ، ليست معممة كما تعتقد.

حدث

تحويل 2023

انضم إلينا في سان فرانسيسكو يومي 11 و 12 يوليو ، حيث سيشارك كبار المسؤولين التنفيذيين في كيفية دمج استثمارات الذكاء الاصطناعي وتحسينها لتحقيق النجاح وتجنب المزالق الشائعة.

سجل الان

ما هي البيانات التركيبية ، ولماذا هي مفيدة؟

البيانات التركيبية ، كما تبدو ، مصنوعة من معلومات تنتجها أنماط بيانات حقيقية. إنه توقع إحصائي من بيانات حقيقية يمكن إنشاؤها بشكل جماعي. تطبيقه الأساسي هو إعلام تقنيات الذكاء الاصطناعي حتى يتمكنوا من أداء وظائفهم بشكل أكثر كفاءة.

مثل أي نمط ، يمكن للذكاء الاصطناعي تمييز الأحداث الحقيقية وإنشاء البيانات بناءً على البيانات التاريخية. تسلسل فيبوناتشي هو نمط رياضي كلاسيكي حيث يضيف كل رقم في التسلسل الرقمين السابقين في التسلسل معًا لاشتقاق الرقم التالي. على سبيل المثال ، إذا أعطيتك التسلسل “1،1،2،3،5،8” ، يمكن لخوارزمية مدربة أن تستشعر الأرقام التالية في التسلسل بناءً على المعلمات التي قمت بتعيينها.

هذا مثال مبسط ومجرّد بشكل فعال للبيانات التركيبية. إذا كانت المعلمة هي أن كل رقم تالي يجب أن يساوي مجموع الرقمين السابقين ، فيجب أن تعرض الخوارزمية “13 ، 21 ، 34” وهكذا. العبارة الأخيرة من الأرقام هي البيانات التركيبية التي يستنتجها الذكاء الاصطناعي.

يمكن للشركات جمع بيانات محدودة ولكن فعالة عن جمهورها وعملائها وإنشاء معلماتها الخاصة لإنشاء بيانات تركيبية. يمكن لهذه البيانات أن تبلغ عن أي أنشطة تجارية مدفوعة بالذكاء الاصطناعي ، مثل تحسين تكنولوجيا المبيعات وزيادة الرضا عن متطلبات ميزات المنتج. حتى أنه يمكن أن يساعد المهندسين على توقع العيوب المستقبلية في الآلات أو البرامج.

هناك عدد لا يحصى من التطبيقات للبيانات التركيبية ، وغالبًا ما تكون أكثر فائدة من البيانات الحقيقية التي نشأت منها.

إذا كانت بيانات مزيفة ، فلا بد أنها آمنة ، أليس كذلك؟

ليس تماما. كما يتم إنشاء البيانات التركيبية بذكاء ، يمكن بسهولة إجراء هندسة عكسية لاستخراج البيانات الشخصية من عينات العالم الحقيقي المستخدمة في صنعها. يمكن أن يصبح هذا ، للأسف ، المدخل الذي يحتاجه المتسللون للعثور على المعلومات الشخصية لعينات المستخدمين ومعالجتها وجمعها.

هذا هو المكان الذي تدخل فيه مسألة تأمين البيانات التركيبية ، خاصة بالنسبة للبيانات المخزنة في السحابة.

هناك العديد من المخاطر المرتبطة بالحوسبة السحابية ، وكلها يمكن أن تشكل تهديدًا للبيانات التي تنشأ مجموعة بيانات مركبة. إذا تم العبث بواجهة برمجة التطبيقات أو تسبب خطأ بشري في فقدان البيانات ، فيمكن سرقة جميع المعلومات الحساسة التي نشأت من البيانات المركبة أو إساءة استخدامها من قبل جهة فاعلة سيئة. تعتبر حماية أنظمة التخزين الخاصة بك أمرًا بالغ الأهمية ليس فقط للحفاظ على البيانات والأنظمة الخاضعة للملكية ، ولكن أيضًا البيانات الشخصية الواردة فيها.

الملاحظة المهمة التي يجب ملاحظتها هي أنه حتى الأساليب العملية لإخفاء هوية البيانات لا تضمن خصوصية المستخدم. هناك دائمًا احتمال وجود ثغرة أو فجوة غير متوقعة حيث يمكن للقراصنة الوصول إلى تلك المعلومات.

خطوات عملية لتحسين خصوصية البيانات التركيبية

قد تحتوي العديد من مصادر البيانات التي تستخدمها الشركات على بيانات شخصية محددة يمكن أن تعرض خصوصية المستخدمين للخطر. لهذا السبب يجب على مستخدمي البيانات تنفيذ هياكل لإزالة البيانات الشخصية من مجموعات البيانات الخاصة بهم ، لأن هذا سيقلل من خطر تعريض البيانات الحساسة للمتسللين السيئين.

مجموعات البيانات المتمايزة هي طريقة لجمع بيانات المستخدمين الحقيقية وربطها بـ “الضجيج” لإنشاء بيانات تركيبية مجهولة المصدر. يفترض هذا التفاعل البيانات الحقيقية ويخلق تفاعلات تشبه المدخلات الأصلية ولكنها تختلف عنها في النهاية. الهدف هو إنشاء بيانات جديدة تشبه المدخلات دون المساس بمالك البيانات الحقيقية.

يمكنك تأمين المزيد من البيانات التركيبية من خلال الصيانة الأمنية المناسبة لوثائق الشركة وحساباتها. يمكن أن يؤدي استخدام الحماية بكلمة مرور على ملفات PDF إلى منع المستخدمين غير المصرح لهم من الوصول إلى البيانات الخاصة أو المعلومات الحساسة التي تحتوي عليها. بالإضافة إلى ذلك ، يمكن تأمين حسابات الشركة وبنوك البيانات السحابية بمصادقة ثنائية لتقليل مخاطر الوصول غير الصحيح إلى البيانات. قد تكون هذه الخطوات بسيطة ، لكنها أفضل الممارسات المهمة التي يمكن أن تقطع شوطًا طويلاً في حماية جميع أنواع البيانات.

ضع كل شيء معا

يمكن أن تكون البيانات التركيبية أداة مفيدة بشكل لا يصدق في مساعدة محللي البيانات والذكاء الاصطناعي على الوصول إلى قرارات مستنيرة. يمكنه سد الفجوات والمساعدة في التنبؤ بالنتائج المستقبلية إذا تم تكوينه بشكل صحيح من البداية.

ومع ذلك ، فإنه يتطلب القليل من اللباقة حتى لا تتنازل عن البيانات الشخصية الحقيقية. الحقيقة المؤلمة هي أن العديد من الشركات تتجاهل بالفعل العديد من الإجراءات الاحترازية وستبيع بشغف البيانات الخاصة لبائعي الطرف الثالث ، والتي يمكن أن يتعرض بعضها للاختراق من قبل جهات ضارة.

لهذا السبب يجب على أصحاب الأعمال الذين يخططون لتطوير واستخدام البيانات المركبة أن يضعوا الحدود المناسبة لتأمين بيانات المستخدم الخاصة في وقت مبكر لتقليل مخاطر تسرب البيانات الحساسة.

ضع في اعتبارك المخاطر التي تنطوي عليها عند تجميع بياناتك لتبقى أخلاقية قدر الإمكان عند أخذ بيانات المستخدم الخاص في الاعتبار وتعظيم إمكاناتها التي تبدو غير محدودة.

تشارلي فليتشر كاتب مستقل يغطي التكنولوجيا والأعمال.

صانعي القرار

مرحبًا بك في مجتمع VentureBeat!

DataDecisionMakers هو المكان الذي يمكن للخبراء ، بما في ذلك الأشخاص الفنيون الذين يقومون بعمل البيانات ، مشاركة الأفكار والابتكارات المتعلقة بالبيانات.

إذا كنت تريد أن تقرأ عن الأفكار المتطورة والمعلومات المحدثة ، وأفضل الممارسات ، ومستقبل البيانات وتكنولوجيا البيانات ، انضم إلينا في DataDecisionMakers.

يمكنك حتى التفكير في المساهمة بمقال خاص بك!

قراءة المزيد من DataDecisionMakers

Comments

No comments yet. Why don’t you start the discussion?

اترك تعليقاً

لن يتم نشر عنوان بريدك الإلكتروني. الحقول الإلزامية مشار إليها بـ *