如何管理人工智能风险和安全？

　　大型、敏感的数据集经常被用于训练AI模型，从而产生隐私和数据泄露风险。人工智能的使用增加了组织的威胁向量，并扩大了其攻击面。人工智能进一步为良性错误创造了新的机会，对模式和业务结果产生不利影响。

　　以下是安全和风险领导者应该关注的五大优先事项，以有效管理其组织内的人工智能风险和安全:

　　1、捕捉AI暴露程度

　　机器学习模型对大多数用户来说是不透明的，并且与一般的软件系统不同，它们的内部工作原理甚至连最熟练的专家都不知道。数据科学家和模型开发人员通常理解他们的机器学习模型试图做什么，但他们不能总是破译模型处理数据的内部结构或算法手段。

　　一旦模型被列出，下一步就是使它们尽可能的可解释或可解释性。“可解释性”意味着产生细节、原因或解释的能力，为特定的受众阐明模型的功能。这将为风险和安全管理者提供管理和减轻由模型结果带来的业务、社会、责任和安全风险的环境。

　　2、通过人工智能风险教育活动提高员工意识

　　与这些利益相关者一起，确定跨团队和随着时间的推移构建AI知识的最佳方式。例如，看看是否可以在企业的学习管理系统中添加一门关于基本AI概念的课程。与应用程序和数据安全部门合作，帮助在所有组织成员中培养AI知识。

　　3、通过隐私计划消除人工智能数据暴露

　　根据Gartner最近的一项调查，隐私和安全一直被视为人工智能实现的主要障碍。采用数据保护和隐私程序可以有效地消除AI内部和共享数据的暴露。

　　有一系列方法可以用于访问和共享基本数据，同时仍然满足隐私和数据保护要求。确定哪种数据隐私技术或技术组合，对组织的特定用例最有意义。例如，调查诸如数据屏蔽、合成数据生成或差分隐私等技术。

　　在向外部组织导出或导入数据时，应满足数据隐私要求。在这些场景中，像完全同态加密和安全多方计算等技术，应该比保护数据不受内部用户和数据科学家的影响更有用。

　　4、将风险管理纳入模型运营

　　AI模型需要特殊用途的流程作为模型操作或ModelOps的一部分，以使人工智能可靠且高效。随着环境因素的不断变化，AI模型必须持续监测业务价值泄漏和不可预测的(有时是不利的)结果。

　　有效的监控需要对AI模型的理解。专门的风险管理流程必须成为ModelOps的一个组成部分，以使AI更值得信任、准确、公平，并对对抗性攻击或良性错误更有弹性。

　　控制措施应该持续应用——例如，贯穿模型开发、测试和部署以及持续运营的整个过程。有效的控制将检测到恶意行为、良性错误和AI数据或模型的意外变化，这些变化会导致不公平、损坏、不准确、模型性能和预测不佳，以及其他意想不到的后果。

　　5、采用人工智能安全措施应对对抗性攻击

图说工控