这篇文章最初出现在福布斯网站作为Delphix CTO Eric Schrock正在进行的专栏的一部分。看这里的原始帖子。监管会伤害人工智能吗？鉴于新兴的数据法则，这已成为大多数科技行业的普遍问题。虽然有些法规肯定会影响人工智能（AI）的发展，但新的立法只会改变我们对待人工智能的态度，而不是摧毁它。许多人认为，法规将迫使企业封锁对数据的访问，使人工智能系统缺乏培训和执行所需的数据。依靠新的数据管道，或将被迫放弃数据管道的公司，将面临数据流不足的问题。但是人工智能创新可以在今天的监管范围内蓬勃发展。为此，公司需要了解其数据的性质，国内云服务器，在不切断访问的情况下以正确的方式使用数据，并改进其组织内的数据流。了解你的数据来保存人工智能传统上，公司围绕应用程序构建团队、流程和基础设施，这些应用程序与人工智能一样，正变得越来越依赖于数据。由于数据跨越了用户、开发者和第三方来源之间的界限，为新技术提供动力，这种来回的数据会带来风险，使公司容易受到安全漏洞的影响。因此，敏感用户信息的共享和管理方式已成为企业为满足新法规而努力的最大痛点。阻止数据流或严格限制对数据的访问可能很诱人，但这种方法可能是致命的。当你扼杀了对数据的访问，你就扼杀了人工智能创新的未来。相反，花点时间了解你的数据——它的属性、约束、安全需求——这样你就可以安全、高效地提供依赖于数据的技术，物联网大赛，而不必绕过数据法则。这里有一些事情需要考虑：如果你的团队中有人要求为一个以人工智能为中心的项目提供一个特定的数据集，你不应该让合规团队来确定样本中是否有违反通用数据保护条例（GDPR）的敏感欧盟公民信息。这种繁琐的官僚程序可能需要几天或几周时间来满足要求。相反，物联网的应用有哪些，您应该已经能够提取数据的属性，数据可视化大屏，了解用户的角色和请求的性质，以便以低开销、自信的方式快速提供访问。这不是禁止进入，而是正确接触正确的人。挑战并不意味着失败GDPR已经宣布了它的第一次伤亡，大数据传输，比如一个有前途的区块链服务，由于GDPR对敏感用户信息的存储有严格的参数而关闭。毫无疑问，随着公司开始努力解决合规问题，类似的故事将继续出现。专家们预测人工智能将是受数据限制影响最严重的技术之一，机器学习的道路将是崎岖不平的，但并非不可逾越。当我们将这些层剥离到合规性时，所有这些都会导致一个关键问题：在用户数据被输入人工智能系统或被开发人员和工程师访问之前，有必要通过屏蔽用户数据来降低风险。虽然大多数人都熟悉混淆姓名、地址和信用卡号码的过程，但问题并不是那么黑白分明。对一个人来说是私人的，而不是对另一个人。统计分析可以产生隐藏数据的私人信息，数据也变得越来越复杂，比如语音、视频和基因测序。降低风险首先需要了解这种风险，然后随着数据在企业内外流动，评估您的风险承受能力。只有这样，您才能维护数据的完整性，支持依赖它的技术，避免成为另一个与数据相关的悲剧。要想在以安全为中心的策略下蓬勃发展，关键在于利用能够在数据进入系统后立即保护数据的解决方案。规章制度会产生创造力这是一线希望：从GDPR到加利福尼亚州新的严格的数据隐私法，法规将对我们的集体技能产生积极影响，因为设计师、开发人员和工程师越来越有权采用前瞻性的技术，在不牺牲创新的情况下保持合规性。对数据使用和测试的限制最终将塑造公司以更安全、以隐私为中心的方式制定其核心业务目标的方式。我们已经看到了Delphix客户苹果公司（Apple）采用的差异隐私技术，在用户活动数据到达服务器之前对其进行模糊处理。谷歌正在推出对其数据丢失预防API的增强，其中不仅包括图像编校之类的新的屏蔽，还包括k-匿名等技术，以通过统计分析降低信息泄露的风险。甚至人工智能的方法也在游戏中出现了，比如使用机器学习模型来开发差异隐私的理想实现的生成性对抗性隐私。大多数公司都在努力实现哪怕是最基本的数据掩蔽，但是这些方法显示了随着公司开始面对新的现实，他们将要做什么。这无疑会使向依赖它的应用程序交付数据变得更加复杂，但公司不应为了满足监管要求而牺牲创新。数据法和人工智能可以与隐私优先的开发方法以及对企业内部数据流动方式的更深入理解共存。事实上，加强治理可能会对人工智能的未来产生积极影响，迫使我们变得更具创造性，并采用一种平衡数据访问和隐私的新视角。下载"通过机器学习和人工智能中的数据管理加速业务"，了解以快速、安全和自动化的方式大规模操作人工智能和ML数据需求的5个最佳策略的特点。