บทเรียนนี้จะครอบคลุมถึง:
- ความปลอดภัยในบริบทของระบบ AI
- ความเสี่ยงและภัยคุกคามที่พบบ่อยต่อระบบ AI
- วิธีการและข้อควรพิจารณาในการรักษาความปลอดภัยของระบบ AI
หลังจากจบบทเรียนนี้ คุณจะมีความเข้าใจเกี่ยวกับ:
- ภัยคุกคามและความเสี่ยงต่อระบบ AI
- วิธีการและแนวปฏิบัติทั่วไปในการรักษาความปลอดภัยของระบบ AI
- วิธีการทดสอบความปลอดภัยที่สามารถป้องกันผลลัพธ์ที่ไม่คาดคิดและการสูญเสียความไว้วางใจจากผู้ใช้
เมื่อเทคโนโลยีปัญญาประดิษฐ์ (AI) และการเรียนรู้ของเครื่อง (ML) มีบทบาทสำคัญในชีวิตของเรามากขึ้น การปกป้องข้อมูลลูกค้าและระบบ AI เองจึงเป็นสิ่งสำคัญ AI/ML ถูกนำมาใช้มากขึ้นในการสนับสนุนกระบวนการตัดสินใจที่มีมูลค่าสูงในอุตสาหกรรมที่การตัดสินใจผิดพลาดอาจส่งผลกระทบอย่างร้ายแรง
นี่คือประเด็นสำคัญที่ควรพิจารณา:
- ผลกระทบของ AI/ML: AI/ML มีผลกระทบอย่างมากต่อชีวิตประจำวัน ดังนั้นการปกป้องระบบเหล่านี้จึงกลายเป็นสิ่งจำเป็น
- ความท้าทายด้านความปลอดภัย: ผลกระทบที่ AI/ML มีต่อชีวิตประจำวันต้องได้รับการดูแลอย่างเหมาะสมเพื่อป้องกันผลิตภัณฑ์ที่ใช้ AI จากการโจมตีที่ซับซ้อน ไม่ว่าจะเป็นโดยกลุ่มผู้ก่อกวนหรือกลุ่มที่มีการจัดตั้ง
- ปัญหาทางยุทธศาสตร์: อุตสาหกรรมเทคโนโลยีต้องแก้ไขปัญหาทางยุทธศาสตร์อย่างเชิงรุกเพื่อให้มั่นใจในความปลอดภัยของลูกค้าและข้อมูลในระยะยาว
นอกจากนี้ โมเดลการเรียนรู้ของเครื่องส่วนใหญ่ไม่สามารถแยกแยะระหว่างข้อมูลที่เป็นอันตรายและข้อมูลที่ผิดปกติแต่ไม่เป็นอันตรายได้ แหล่งข้อมูลการฝึกอบรมที่สำคัญมักมาจากชุดข้อมูลสาธารณะที่ไม่ได้รับการคัดกรองและตรวจสอบ ซึ่งเปิดโอกาสให้บุคคลที่สามสามารถมีส่วนร่วมได้ ผู้โจมตีไม่จำเป็นต้องเจาะชุดข้อมูลเมื่อพวกเขาสามารถเพิ่มข้อมูลลงไปได้ เมื่อเวลาผ่านไป ข้อมูลที่เป็นอันตรายที่มีความมั่นใจต่ำอาจกลายเป็นข้อมูลที่ได้รับความไว้วางใจสูง หากโครงสร้างหรือรูปแบบของข้อมูลยังคงถูกต้อง
นี่คือเหตุผลที่การรักษาความสมบูรณ์และการปกป้องแหล่งข้อมูลที่โมเดลของคุณใช้ในการตัดสินใจเป็นสิ่งสำคัญอย่างยิ่ง
ในแง่ของ AI และระบบที่เกี่ยวข้อง การปนเปื้อนข้อมูลถือเป็นภัยคุกคามด้านความปลอดภัยที่สำคัญที่สุดในปัจจุบัน การปนเปื้อนข้อมูลเกิดขึ้นเมื่อมีผู้ตั้งใจเปลี่ยนแปลงข้อมูลที่ใช้ในการฝึกอบรม AI ทำให้ AI เกิดข้อผิดพลาด นี่เป็นผลมาจากการขาดวิธีการตรวจจับและลดผลกระทบที่ได้มาตรฐาน รวมถึงการพึ่งพาชุดข้อมูลสาธารณะที่ไม่ได้รับการตรวจสอบหรือคัดกรองสำหรับการฝึกอบรม เพื่อรักษาความสมบูรณ์ของข้อมูลและป้องกันกระบวนการฝึกอบรมที่มีข้อบกพร่อง การติดตามแหล่งที่มาและสายสัมพันธ์ของข้อมูลจึงเป็นสิ่งสำคัญ มิฉะนั้นคำกล่าวที่ว่า "ข้อมูลขยะเข้า ผลลัพธ์ขยะออก" จะเป็นจริง ส่งผลให้ประสิทธิภาพของโมเดลลดลง
ตัวอย่างของการปนเปื้อนข้อมูลที่อาจส่งผลต่อโมเดลของคุณ:
- การพลิกกลับป้ายกำกับ: ในงานการจำแนกประเภทแบบไบนารี ผู้ไม่หวังดีตั้งใจพลิกกลับป้ายกำกับของข้อมูลฝึกอบรมบางส่วน เช่น ตัวอย่างที่ไม่เป็นอันตรายถูกระบุว่าเป็นอันตราย ทำให้โมเดลเรียนรู้ความสัมพันธ์ที่ไม่ถูกต้อง
ตัวอย่าง: ตัวกรองสแปมที่ระบุอีเมลที่ถูกต้องว่าเป็นสแปมเนื่องจากป้ายกำกับที่ถูกปรับเปลี่ยน - การปนเปื้อนคุณลักษณะ: ผู้โจมตีปรับเปลี่ยนคุณลักษณะในข้อมูลฝึกอบรมอย่างละเอียดเพื่อแนะนำอคติหรือทำให้โมเดลเข้าใจผิด
ตัวอย่าง: การเพิ่มคำสำคัญที่ไม่เกี่ยวข้องในคำอธิบายผลิตภัณฑ์เพื่อจัดการระบบแนะนำสินค้า - การฉีดข้อมูล: การฉีดข้อมูลที่เป็นอันตรายลงในชุดข้อมูลฝึกอบรมเพื่อมีอิทธิพลต่อพฤติกรรมของโมเดล
ตัวอย่าง: การเพิ่มรีวิวผู้ใช้ปลอมเพื่อบิดเบือนผลลัพธ์การวิเคราะห์ความรู้สึก - การโจมตีแบบฝังหลัง: ผู้ไม่หวังดีแทรกลวดลายที่ซ่อนอยู่ (ฝังหลัง) ลงในข้อมูลฝึกอบรม โมเดลเรียนรู้ที่จะจดจำลวดลายนี้และแสดงพฤติกรรมที่เป็นอันตรายเมื่อถูกกระตุ้น
ตัวอย่าง: ระบบจดจำใบหน้าที่ฝึกด้วยภาพที่มีลวดลายฝังหลังซึ่งระบุบุคคลผิดพลาด
องค์กร MITRE Corporation ได้สร้าง ATLAS (Adversarial Threat Landscape for Artificial-Intelligence Systems) ซึ่งเป็นฐานข้อมูลความรู้เกี่ยวกับยุทธวิธีและเทคนิคที่ผู้ไม่หวังดีใช้ในการโจมตีระบบ AI ในโลกจริง
มีช่องโหว่ในระบบที่ใช้ AI เพิ่มขึ้นเรื่อย ๆ เนื่องจากการรวม AI เข้ากับระบบที่มีอยู่ทำให้พื้นที่การโจมตีขยายตัวเกินกว่าการโจมตีทางไซเบอร์แบบดั้งเดิม เราได้พัฒนา ATLAS เพื่อสร้างความตระหนักถึงช่องโหว่ที่เป็นเอกลักษณ์และพัฒนาอย่างต่อเนื่องเหล่านี้ เนื่องจากชุมชนทั่วโลกได้รวม AI เข้ากับระบบต่าง ๆ มากขึ้นเรื่อย ๆ ATLAS ถูกสร้างแบบจำลองตามกรอบ MITRE ATT&CK® และยุทธวิธี เทคนิค และกระบวนการ (TTPs) ของมันเป็นส่วนเสริมของ ATT&CK
เช่นเดียวกับกรอบ MITRE ATT&CK® ซึ่งถูกใช้กันอย่างแพร่หลายในด้านความปลอดภัยไซเบอร์แบบดั้งเดิมสำหรับการวางแผนสถานการณ์จำลองการเลียนแบบภัยคุกคามขั้นสูง ATLAS ให้ชุด TTPs ที่สามารถค้นหาได้ง่ายเพื่อช่วยให้เข้าใจและเตรียมพร้อมสำหรับการป้องกันการโจมตีที่เกิดขึ้นใหม่
นอกจากนี้ โครงการ Open Web Application Security Project (OWASP) ได้สร้าง "รายการ 10 อันดับแรก" ของช่องโหว่ที่สำคัญที่สุดที่พบในแอปพลิเคชันที่ใช้ LLMs รายการนี้เน้นถึงความเสี่ยงของภัยคุกคาม เช่น การปนเปื้อนข้อมูลที่กล่าวถึงข้างต้น รวมถึงภัยคุกคามอื่น ๆ เช่น:
- การฉีดคำสั่ง: เทคนิคที่ผู้โจมตีจัดการโมเดลภาษาขนาดใหญ่ (LLM) ผ่านการป้อนข้อมูลที่ถูกสร้างขึ้นอย่างรอบคอบ ทำให้มันแสดงพฤติกรรมที่อยู่นอกเหนือพฤติกรรมที่ตั้งใจไว้
- ช่องโหว่ในห่วงโซ่อุปทาน: ส่วนประกอบและซอฟต์แวร์ที่ประกอบขึ้นเป็นแอปพลิเคชันที่ใช้ LLM เช่น โมดูล Python หรือชุดข้อมูลภายนอก อาจถูกโจมตีได้เอง ส่งผลให้เกิดผลลัพธ์ที่ไม่คาดคิด อคติที่ถูกแนะนำ และแม้กระทั่งช่องโหว่ในโครงสร้างพื้นฐานพื้นฐาน
- การพึ่งพามากเกินไป: LLMs มีข้อผิดพลาดและมีแนวโน้มที่จะสร้างข้อมูลที่ไม่ถูกต้องหรือไม่ปลอดภัย ในหลายกรณีที่มีการบันทึกไว้ ผู้คนมักเชื่อผลลัพธ์โดยไม่ตรวจสอบ นำไปสู่ผลกระทบเชิงลบในโลกจริงที่ไม่ได้ตั้งใจ
Rod Trent ผู้สนับสนุนระบบคลาวด์ของ Microsoft ได้เขียนหนังสืออิเล็กทรอนิกส์ฟรี Must Learn AI Security ซึ่งเจาะลึกถึงภัยคุกคาม AI ที่เกิดขึ้นใหม่เหล่านี้และให้คำแนะนำอย่างละเอียดเกี่ยวกับวิธีการจัดการสถานการณ์เหล่านี้อย่างดีที่สุด
ปัญญาประดิษฐ์ (AI) กำลังเปลี่ยนแปลงหลาย ๆ ด้านและอุตสาหกรรม โดยนำเสนอความเป็นไปได้และประโยชน์ใหม่ ๆ ให้กับสังคม อย่างไรก็ตาม AI ก็สร้างความท้าทายและความเสี่ยงที่สำคัญ เช่น ความเป็นส่วนตัวของข้อมูล อคติ การขาดความสามารถในการอธิบาย และการใช้งานในทางที่ผิด ดังนั้นจึงเป็นสิ่งสำคัญที่จะต้องมั่นใจว่าระบบ AI มีความปลอดภัยและมีความรับผิดชอบ หมายถึงการปฏิบัติตามมาตรฐานทางจริยธรรมและกฎหมาย และสามารถได้รับความไว้วางใจจากผู้ใช้และผู้มีส่วนได้ส่วนเสีย
การทดสอบความปลอดภัยคือกระบวนการประเมินความปลอดภัยของระบบ AI หรือ LLM โดยการระบุและใช้ประโยชน์จากช่องโหว่ของมัน การทดสอบนี้สามารถดำเนินการโดยนักพัฒนา ผู้ใช้ หรือผู้ตรวจสอบบุคคลที่สาม ขึ้นอยู่กับวัตถุประสงค์และขอบเขตของการทดสอบ วิธีการทดสอบความปลอดภัยที่พบบ่อยที่สุดสำหรับระบบ AI และ LLMs ได้แก่:
- การทำความสะอาดข้อมูล: กระบวนการลบหรือทำให้ข้อมูลที่ละเอียดอ่อนหรือส่วนตัวในชุดข้อมูลฝึกอบรมหรือข้อมูลที่ป้อนเข้าสู่ระบบ AI หรือ LLM เป็นนิรนาม การทำความสะอาดข้อมูลสามารถช่วยป้องกันการรั่วไหลของข้อมูลและการจัดการที่เป็นอันตรายโดยลดการเปิดเผยข้อมูลที่เป็นความลับหรือข้อมูลส่วนบุคคล
- การทดสอบเชิงรุก: กระบวนการสร้างและใช้ตัวอย่างเชิงรุกกับข้อมูลที่ป้อนหรือผลลัพธ์ของระบบ AI หรือ LLM เพื่อประเมินความแข็งแกร่งและความยืดหยุ่นต่อการโจมตีเชิงรุก การทดสอบเชิงรุกสามารถช่วยระบุและลดช่องโหว่และจุดอ่อนของระบบ AI หรือ LLM ที่อาจถูกโจมตีโดยผู้ไม่หวังดี
- การตรวจสอบโมเดล: กระบวนการตรวจสอบความถูกต้องและความสมบูรณ์ของพารามิเตอร์หรือสถาปัตยกรรมของโมเดลในระบบ AI หรือ LLM การตรวจสอบโมเดลสามารถช่วยตรวจจับและป้องกันการขโมยโมเดลโดยการรับรองว่าโมเดลได้รับการปกป้องและรับรองความถูกต้อง
- การตรวจสอบผลลัพธ์: กระบวนการตรวจสอบคุณภาพและความน่าเชื่อถือของผลลัพธ์ของระบบ AI หรือ LLM การตรวจสอบผลลัพธ์สามารถช่วยตรวจจับและแก้ไขการจัดการที่เป็นอันตรายโดยการรับรองว่าผลลัพธ์มีความสม่ำเสมอและถูกต้อง
OpenAI ซึ่งเป็นผู้นำในระบบ AI ได้จัดตั้งชุดการประเมินความปลอดภัยเป็นส่วนหนึ่งของโครงการเครือข่าย red teaming โดยมีเป้าหมายเพื่อทดสอบผลลัพธ์ของระบบ AI เพื่อมีส่วนร่วมในการรักษาความปลอดภัยของ AI
การประเมินสามารถมีตั้งแต่การทดสอบ Q&A แบบง่ายไปจนถึงการจำลองที่ซับซ้อน ตัวอย่างที่เป็นรูปธรรมคือการประเมินตัวอย่างที่พัฒนาโดย OpenAI เพื่อประเมินพฤติกรรมของ AI จากหลายมุมมอง:
- MakeMeSay: AI สามารถหลอก AI อีกตัวให้พูดคำลับได้ดีแค่ไหน?
- MakeMePay: AI สามารถโน้มน้าว AI อีกตัวให้บริจาคเงินได้ดีแค่ไหน?
- Ballot Proposal: AI สามารถมีอิทธิพลต่อการสนับสนุนข้อเสนอทางการเมืองของ AI อีกตัวได้ดีแค่ไหน?
- Steganography: AI สามารถส่งข้อความลับโดยไม่ถูกจับได้ดีแค่ไหน?
- Text Compression: AI สามารถบีบอัดและคลายข้อความเพื่อซ่อนข้อความลับได้ดีแค่ไหน?
- Schelling Point: AI สามารถประสานงานกับ AI อีกตัวโดยไม่ต้องสื่อสารโดยตรงได้ดีแค่ไหน?
สิ่งสำคัญคือเราต้องมุ่งมั่นที่จะปกป้องระบบ AI จากการโจมตีที่เป็นอันตราย การใช้งานในทางที่ผิด หรือผลลัพธ์ที่ไม่ตั้งใจ ซึ่งรวมถึงการดำเนินการเพื่อให้มั่นใจในความปลอดภัย ความน่าเชื่อถือ และความไว้วางใจในระบบ AI เช่น:
- การรักษาความปลอดภัยของข้อมูลและอัลกอริทึมที่ใช้ในการฝึกอบรมและใช้งานโมเดล AI
- การป้องกันการเข้าถึง การจัดการ หรือการก่อวินาศกรรมระบบ AI โดยไม่ได้รับอนุญาต
- การตรวจจับและลดอคติ การเลือกปฏิบัติ หรือปัญหาด้านจริยธรรมในระบบ AI
- การรับรองความรับผิดชอบ ความโปร่งใส และความสามารถในการอธิบายของการตัดสินใจและการกระทำของ AI
- การปรับเป้าหมายและค่านิยมของระบบ AI ให้สอดคล้องกับมนุษย์และสังคม
ความปลอดภัยของ AI มีความสำคัญต่อการรักษาความสมบูรณ์ ความพร้อมใช้งาน และความลับของระบบ AI และข้อมูล ความท้าทายและโอกาสของความปลอดภัยของ AI ได้แก่:
- โอกาส: การรวม AI เข้ากับกลยุทธ์ความปลอดภัยไซเบอร์ เนื่องจาก AI สามารถมีบทบาทสำคัญในการระบุภัยคุกคามและปรับปรุงเวลาการตอบสนอง AI สามารถช่วยทำให้การตรวจจับและลดการโจมตีทางไซเบอร์ เช่น ฟิชชิง มัลแวร์ หรือแรนซัมแวร์ เป็นไปโดยอัตโนมัติและมีประสิทธิภาพมากขึ้น
- ความท้าทาย: AI ยังสามารถถูกใช้โดยผู้ไม่หวังดีในการเปิดตัวการโจมตีที่ซับซ้อน เช่น การสร้างเนื้อหาปลอมหรือทำให้เข้าใจผิด การแอบอ้างเป็นผู้ใช้ หรือการใช้ช่องโหว่ในระบบ AI ดังนั้นนักพัฒนา AI จึงมีความรับผิดชอบพิเศษในการออกแบบระบบที่แข็งแกร่งและยืดหยุ่นต่อการใช้งานในทางที่ผิด
LLMs อาจก่อให้เกิดความเสี่ยงต่อความเป็นส่วนตัวและความปลอดภัยของข้อมูลที่พวกเขาใช้ ตัวอย่างเช่น LLMs อาจจดจำและเปิดเผยข้อมูลที่ละเอียดอ่อนจาก การจำลองภัยคุกคามในโลกจริงถือเป็นแนวปฏิบัติมาตรฐานในการสร้างระบบ AI ที่มีความยืดหยุ่น โดยใช้เครื่องมือ กลยุทธ์ และกระบวนการที่คล้ายคลึงกันเพื่อระบุความเสี่ยงต่อระบบและทดสอบการตอบสนองของผู้ป้องกัน
การปฏิบัติของ AI red teaming ได้พัฒนาไปสู่ความหมายที่กว้างขึ้น: ไม่เพียงแต่ครอบคลุมการตรวจสอบช่องโหว่ด้านความปลอดภัย แต่ยังรวมถึงการตรวจสอบความล้มเหลวอื่น ๆ ของระบบ เช่น การสร้างเนื้อหาที่อาจเป็นอันตราย ระบบ AI มาพร้อมกับความเสี่ยงใหม่ ๆ และ red teaming เป็นหัวใจสำคัญในการทำความเข้าใจความเสี่ยงใหม่เหล่านั้น เช่น การฉีดคำสั่ง (prompt injection) และการสร้างเนื้อหาที่ไม่มีพื้นฐาน - Microsoft AI Red Team building future of safer AI
ด้านล่างนี้คือข้อมูลสำคัญที่ได้หล่อหลอมโปรแกรม AI Red Team ของ Microsoft
- ขอบเขตที่กว้างขวางของ AI Red Teaming: AI red teaming ในปัจจุบันครอบคลุมทั้งผลลัพธ์ด้านความปลอดภัยและ AI ที่มีความรับผิดชอบ (RAI) โดยปกติแล้ว red teaming จะมุ่งเน้นไปที่ด้านความปลอดภัย โดยมองโมเดลเป็นเวกเตอร์ (เช่น การขโมยโมเดลพื้นฐาน) อย่างไรก็ตาม ระบบ AI นำเสนอช่องโหว่ด้านความปลอดภัยใหม่ ๆ (เช่น การฉีดคำสั่ง การปนเปื้อนข้อมูล) ซึ่งจำเป็นต้องให้ความสนใจเป็นพิเศษ นอกเหนือจากความปลอดภัยแล้ว AI red teaming ยังตรวจสอบปัญหาด้านความเป็นธรรม (เช่น การเหมารวม) และเนื้อหาที่เป็นอันตราย (เช่น การยกย่องความรุนแรง) การระบุปัญหาเหล่านี้ตั้งแต่เนิ่น ๆ ช่วยให้สามารถจัดลำดับความสำคัญของการลงทุนในการป้องกันได้
- ความล้มเหลวทั้งที่เป็นอันตรายและไม่เป็นอันตราย: AI red teaming พิจารณาความล้มเหลวทั้งจากมุมมองที่เป็นอันตรายและไม่เป็นอันตราย ตัวอย่างเช่น เมื่อ red teaming Bing ใหม่ เราไม่เพียงแต่สำรวจว่าผู้ไม่หวังดีสามารถบิดเบือนระบบได้อย่างไร แต่ยังพิจารณาว่าผู้ใช้ทั่วไปอาจพบเนื้อหาที่มีปัญหาหรือเป็นอันตรายได้อย่างไร แตกต่างจาก red teaming ด้านความปลอดภัยแบบดั้งเดิมที่มุ่งเน้นไปที่ผู้ไม่หวังดีเป็นหลัก AI red teaming คำนึงถึงบุคคลและความล้มเหลวที่อาจเกิดขึ้นในวงกว้างมากขึ้น
- ธรรมชาติที่เปลี่ยนแปลงได้ของระบบ AI: แอปพลิเคชัน AI มีการพัฒนาอย่างต่อเนื่อง ในแอปพลิเคชันโมเดลภาษาขนาดใหญ่ นักพัฒนาปรับตัวให้เข้ากับความต้องการที่เปลี่ยนแปลง การทำ red teaming อย่างต่อเนื่องช่วยให้มั่นใจได้ถึงการเฝ้าระวังและการปรับตัวต่อความเสี่ยงที่เปลี่ยนแปลงไป
AI red teaming ไม่ได้ครอบคลุมทุกด้านและควรถือเป็นการเคลื่อนไหวเสริมต่อการควบคุมเพิ่มเติม เช่น การควบคุมการเข้าถึงตามบทบาท (RBAC) และโซลูชันการจัดการข้อมูลที่ครอบคลุม มันถูกออกแบบมาเพื่อเสริมกลยุทธ์ด้านความปลอดภัยที่มุ่งเน้นการใช้โซลูชัน AI ที่ปลอดภัยและมีความรับผิดชอบ โดยคำนึงถึงความเป็นส่วนตัวและความปลอดภัย พร้อมทั้งมุ่งลดอคติ เนื้อหาที่เป็นอันตราย และข้อมูลที่ผิดพลาดซึ่งอาจทำลายความเชื่อมั่นของผู้ใช้
นี่คือรายการการอ่านเพิ่มเติมที่สามารถช่วยให้คุณเข้าใจว่า red teaming สามารถช่วยระบุและลดความเสี่ยงในระบบ AI ของคุณได้อย่างไร:
- การวางแผน red teaming สำหรับโมเดลภาษาขนาดใหญ่ (LLMs) และแอปพลิเคชันของพวกมัน
- เครือข่าย OpenAI Red Teaming คืออะไร?
- AI Red Teaming - แนวปฏิบัติสำคัญในการสร้างโซลูชัน AI ที่ปลอดภัยและมีความรับผิดชอบมากขึ้น
- MITRE ATLAS (Adversarial Threat Landscape for Artificial-Intelligence Systems) ฐานความรู้เกี่ยวกับกลยุทธ์และเทคนิคที่ผู้ไม่หวังดีใช้ในการโจมตีระบบ AI ในโลกจริง
วิธีการที่ดีในการรักษาความสมบูรณ์ของข้อมูลและป้องกันการใช้งานในทางที่ผิดคืออะไร?
- มีการควบคุมการเข้าถึงข้อมูลและการจัดการข้อมูลที่แข็งแกร่งตามบทบาท
- ดำเนินการและตรวจสอบการติดป้ายข้อมูลเพื่อป้องกันการแสดงข้อมูลผิดหรือการใช้งานในทางที่ผิด
- ตรวจสอบให้แน่ใจว่าโครงสร้างพื้นฐาน AI ของคุณรองรับการกรองเนื้อหา
A:1, แม้ว่าทั้งสามข้อจะเป็นคำแนะนำที่ดี การตรวจสอบให้แน่ใจว่าคุณกำหนดสิทธิ์การเข้าถึงข้อมูลที่เหมาะสมแก่ผู้ใช้จะช่วยป้องกันการบิดเบือนและการแสดงข้อมูลผิดที่ใช้ใน LLMs ได้อย่างมาก
อ่านเพิ่มเติมเกี่ยวกับวิธีที่คุณสามารถ ควบคุมและปกป้องข้อมูลที่ละเอียดอ่อน ในยุคของ AI
หลังจากจบบทเรียนนี้ ลองดู คอลเลกชันการเรียนรู้ Generative AI เพื่อเพิ่มพูนความรู้เกี่ยวกับ Generative AI ของคุณ!
ไปที่บทเรียนที่ 14 ซึ่งเราจะดู วงจรชีวิตของแอปพลิเคชัน Generative AI!
ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI Co-op Translator แม้ว่าเราจะพยายามให้การแปลมีความถูกต้อง แต่โปรดทราบว่าการแปลโดยอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาดั้งเดิมควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลภาษามืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดที่เกิดจากการใช้การแปลนี้