擬議的歐盟AI規則會成為生物識別技術的GDPR嗎？

作者：JánLunter，創始人兼首席執行官創新

經過幾個備受矚目的案例，可以理解的是，政府希望開始調節人工智能（AI），尤其是生物識別技術。這Clearview AI醜聞已經表明，人們知道公司將互聯網刮擦以獲取私人圖像以訓練面部識別AI解決方案，然後他們轉過身向執法機構出售，因此人們真的很“不錯”。

此外，民權組織的許多案件表明，當採用AI做出有關提供信貸，判決或簡單地驗證個人身份的決定時，少數群體通常會受到歧視。

4月底，歐盟採用了法規的建議稱為《人工智能法》（AIA），旨在調節基於AI的解決方案。當這些新規則完全生效時，歐盟希望成為一個AI法規中的全球潮流集。這些新法律的框架類似於一般數據隱私法規（GDPR），該法規於2018年上線：每當歐盟公民的個人數據都在世界任何地方處理時，法律的陰謀觸發了。

新立法即將

對AI和生物識別公司的好消息是，GDPR花了兩年時間從提案階段轉移到集團最終採用的法規，因此商業界有時間準備。在當前形式中，AIA看起來與GDPR相似，在它試圖完成的工作中：一種手段，可以使最終用戶一種控制其個人數據和數字相似性的收集和使用的方法。一詞：透明度。

AIA認為，最終用戶應該始終知道它們是由AI驅動技術判斷的。那是聊天機器人還是活著的人在線幫助他們？它們的相似性是否用於生物特徵識別？

已經提供設置以禁止收集生物識別數據的公司，或者可以與個人數據管理系統良好集成，將發現在這種新興的新監管審查下，它們具有優勢。對於一般的生物識別公司，正確的收集，過濾和標記數據集需要遵守這些新規則的最終版本。

一系列獨立的美國法規增加了複雜性

美國規則的分散性質收集生物識別數據已經花費了Facebook超過了十億美元，有類似的訴訟Google，Amazon和Microsoft進行。在聯邦一級沒有明確的規則使各州決定允許AI公司在未經用戶同意的情況下根據個人信息收集什麼。但是，加利福尼亞州的CCPA，伊利諾伊州的PIPA，馬薩諸塞州數據隱私法，紐約隱私法和《夏威夷消費者隱私保護法》都具有相同的目標。

例如，紐約的嚴格隱私法規具有適用於所有企業的任何違反法律的私人行動權。這實際上意味著任何認為他們應該應對紐約業務的法律追索權的人，他們認為可能侵犯了他們的權利，如該州的隱私法規所描述的那樣，只需簡單地去民事法院並提起訴訟就可以做到這一點。

法規產量……增長？

從行業的角度來看，在使用AI使用的一套普通法規將是減少摩擦的好方法，當在歐盟構成國家和五十個美國等大型市場上引入基於生物識別的解決方案。在一個框架下，公司可以專注於創建最大程度的隱私和透明度的解決方案，同時解決AI首先要解決的各種問題。

我們可以期望在不久的將來看到的是，將從數據集審核到算法偏差測量的公司遵守第三方的公司。其中一些服務已經通過總部位於美國的國家標準和技術研究所進行標準化（nist）例如，它比較了面部識別和指紋算法的準確性和速度。 NIST甚至對所有提交的算法進行了極為徹底的比較，這些算法涉及其偏見與少數群體或戴上保護性口罩時識別面孔的能力。

普遍的監管還選擇了對開放空間的大規模，面部識別驅動的監視，這是該技術的特別高風險應用。由於其“大兄弟”的性質，可以理解的是，這樣的應用程序將僅是少數公司的領域，其餘的則迴避了這種爭議。

生物識別技術的良性應用越來越多，可以改善用戶的壽命，而無需打開其個人數據以濫用可能的濫用，這就是未來的所在。 COVID-19大流行表明，生物識別應用程序允許某些行業（例如金融服務和電信公司）繼續開展業務，這些業務曾經是面對面進行的，以確認身份證明（例如，開設銀行帳戶），即使在鎖定期間也是如此。實際上，這項技術已被證明是如此方便，即使分支機構也採用了數字登機，而不是以前的紙質流程。這是技術的力量所在，以促進和最大化便利的方式解決問題。

最後的想法

AI僅與我們提供的數據一樣聰明。如果您顯示一台機器學習算法100,000魚的圖片，它最終可以得出有關魚類的結論，但是蹣跚學步的孩子可以看到一兩張魚的照片，並確定以下圖片是否是魚類或其他東西。

但是，研究人員並不總是完全確定AI如何做出的決定，除非您餵養牠有偏見的信息，您會得到偏見的結果。這就是為什麼面部識別有問題的原因正確識別皮膚較深的人。用於訓練面部識別算法的照片數據集包含更多皮膚較輕的人的圖像比黑皮膚的人。結果，有一個行業朝著可解釋的AI。 'xai'，因此您可以看到機器做出的決定做出了什麼決定。

在Innovatrics，我們發現我們的AI算法能夠識別面罩後面的面孔，即使沒有被教導要這樣做。實際上，AI的決策方式實際上是不可理解的，因為直到現在，AI工程師在尋找結果時還沒有考慮過透明度或解釋性。

著眼於未來，隨著有關該技術的新法規生效，解釋性和可理解性將成為標準。重視透明度和客戶隱私的公司將在這個機器學習的新時代中取得成功。