पेंटागन AI कंपन्यांना वर्गीकृत डेटावर प्रशिक्षण देण्याची योजना करत आहे

तिजोड़े उघडणे

यूएस संरक्षण विभाग कृत्रिम बुद्धिमत्ता कंपन्यांना वर्गीकृत सैन्य डेटावर त्यांचे मॉडेल प्रशिक्षित करण्याची परवानगी देण्याची योजना करत आहे, MIT Technology Review द्वारे उद्धृत संरक्षण अधिकार्यांच्या म्हणण्यानुसार। ही पहल, जर लागू केली गेली तर, संवेदनशील सरकारी माहितीवर AI प्रवेशाचा सर्वाधिक महत्वपूर्ण विस्तार असेल — आणि व्यावसायिक AI प्रणाली आणि त्यांचे निर्माण करणार्या कंपन्यांना वर्गीकृत डेटा उघड करण्याच्या जोखिमीवरून लाभ मिळवण्याचा एक जाणीवपूर्ण जुगाड असेल।

अधिकार्यांनी विकसन होत असलेल्या रूपरेषेचे वर्णन केले जी जाचलेल्या AI कंपन्यांना सुरक्षित संगणन वातावरणात वर्गीकृत डेटासेटवर प्रवेश देईल, विशिष्ट संरक्षण अनुप्रयोगांसाठी मॉडेल प्रशिक्षित आणि सूक्ष्म-ट्यून करण्यासाठी ती माहिती वापरणार आहेत. वर्गीकृत डेटा सरकार-नियंत्रित अवसंरचनेत राहील — AI कंपन्या डेटा बाहेर घेणार नाहीत — परंतु त्यांच्या कर्मचार्यांना आणि त्यांच्या मॉडेल प्रशिक्षण पाइपलाइनला अशी माहिती प्रदान केली जाईल जी सामान्यतः योग्य सुरक्षा मंजुरी असलेल्या कर्मचार्यांपर्यंत मर्यादित आहे।

पेंटागनला हे का हवे

सैन्य तर्क सरळ आहे: संरक्षणासाठी सर्वात मूल्यवान AI अनुप्रयोगांना अशा डेटावर प्रवेशाची आवश्यकता आहे जो फक्त लष्कर करिता आहे। AI मॉडेलला उपग्रह प्रतिमांमध्ये विशिष्ट सैन्य हार्डवेअरला ओळखण्यासाठी, संकेत बुद्धिमत्तेचे विश्लेषण करण्यासाठी, वर्गीकृत स्रोतांकडून बुद्धिमत्ता संश्लेषित करण्यासाठी किंवा वर्गीकृत ऑपरेशनसाठी लॉजिस्टिक अनुकूलित करण्यासाठी प्रशिक्षण माहितीची आवश्यकता आहे जी त्या विशिष्ट डोमेनना परावर्तित करते — आणि ती माहिती, व्याख्येने, वर्गीकृत आहे।

सार्वजनिकरित्या उपलब्ध डेटावर प्रशिक्षित व्यावसायिक AI मॉडेल बर्याच संरक्षण अनुप्रयोगांसाठी उपयोगी आहेत परंतु त्या डोमेनमध्ये मूलत: मर्यादित आहेत जेथे वर्गीकरण सर्वाधिक महत्वाची क्षमता अंतर्बाल तयार करते. खुल्या स्रोतापर्यंत उपग्रह प्रतिमांवर प्रशिक्षित मॉडेल कधीही वर्गीकृत ओव्हरहेड बुद्धिमत्तावर प्रशिक्षित मॉडेलच्या कामगिरीशी जुळणार नाही. वर्गीकृत प्रशिक्षण माहितीमध्ये पेंटागनचे स्वारस्य एक स्वीकृती दर्शविते की व्यावसायिक AI विकास त्या अंतर्बाल बंद करू शकत नाही जोपर्यंत डेटावर प्रवेश असेल जो फक्त सरकार नियंत्रित करते।

जोखिम

या दृष्टिकोनाशी संबंधित जोखिम लक्षणीय आहेत आणि अनेक श्रेणीमध्ये पसरलेले आहेत. सर्वाधिक स्पष्ट आतून येणारा धोका आणि डेटा निर्यात आहे: AI कंपनीच्या कर्मचार्यांना आणि प्रणालींना वर्गीकृत डेटावर प्रवेश देणे संभाव्य गळती हुयी हुई पृष्ठभाग विस्तारते, हेतु चोरी, अपघाती प्रकटीकरण किंवा AI कंपनीच्या अवसंरचनेचा शत्रुवर समझौता हो असेल.

दुसरा जोखिम मॉडेल इनव्हर्जन आणि सदस्य अनुमान आक्रमण आहेत — तंत्र ज्याद्वारे एक प्रतिद्वंद्वी ज्याला प्रशिक्षित मॉडेलवर प्रवेश आहे तो त्याला प्रशिक्षण देण्यासाठी वापरलेल्या डेटा बद्दल माहिती काढू शकतो. जर वर्गीकृत डेटा AI मॉडेलला प्रशिक्षित करण्यासाठी वापरली जात असेल, आणि तो मॉडेल किंवा त्याचे आउटपुट नंतर अशा संदर्भात उपयोजित केले जात असेल जेथे प्रतिद्वंद्वी त्याच्याशी संवाद साधू शकतात, तर मॉडेलच्या शिखलेल्या प्रतिनिधित्वापासून संवेदनशील माहिती पुनः प्राप्त करण्याचा संभाव्य मार्ग आहे।

तिसरा, AI कंपन्यांच्या स्वत:च्या सुरक्षा स्थितीबद्दल महत्वाचे प्रश्न आहेत. अगदी सर्वात मोठ्या AI विकास कंपन्यांनीही सुरक्षा घटना अनुभवली आहেत, आणि त्यांचे विकास वातावरण वर्गीकृत राष्ट्रीय सुरक्षा माहिती हाताळण्यासाठी आवश्यक मानकांना अनुरूप बनवलेले नाहीत. हे अंतर दूर करणे खर्च आणि जटिलता जोडते ज्यामुळे क्षमता विकास मंद होऊ शकतो जो पहल वेगवान करायला अभिप्रेत आहे।

प्रतिस्पर्धी अपरिहार्यता

हा प्रयत्न वास्तविक तातडीच्या संदर्भात येतो. चीनचे सैन्य AI कार्यक्रम जलद गतीने आगे जात आहे, आणि चीनी सरकार-समर्थित AI विकास PLA डेटावर प्रवेश करू शकतो कायदेशीर आणि संस्थागत अडचणी विना जे व्यावसायिक कंपन्यांना यूएस वर्गीकृत प्रणालीपासून वेगळे करतात. पेंटागन व्यावसायिक AI क्षमता आणि वर्गीकृत-डेटा-प्रशिक्षित AI क्षमतेमधील अंतर एक सामरिक कमजोरी म्हणून पाहतो — एक जो अधिक स्वीकार्य डेटा-शेअरिंग रूपरेषा दिवाण करणे अभिप्रेत आहे।

पहल विकासामध्ये आहे न की अंमलबजावणीमध्ये, आणि त्याचा अंतिम स्वरूप कायदेशीर पुनरावलोकन, वर्गीकरण प्राधिकार निर्णय, आणि भाग घेणार्या कंपन्यांशी सुरक्षा करारांच्या वाटाघाटीवर अवलंबून असेल. परंतु प्रवासाची दिशा स्पष्ट आहे: पेंटागन अशा मॉडेलकडे जात आहे ज्यामध्ये वर्गीकृत सैन्य डेटा आणि व्यावसायिक AI विकास यांच्यातल्या सीमा सामरिक प्रतिद्वंद्वीवर AI प्रभुत्व राखण्याच्या सेवेत अधिक पारगम्य होते।

हा लेख MIT Technology Review द्वारे प्रतिवेदनावर आधारित आहे. मूल लेख वाचा.