根据Gartner的研究,随着全球隐私法规数量的不断增加,企业机构应关注五项重大隐私趋势,以应对保护个人数据和遵守监管要求方面的挑战。
Gartner研究副总裁Nader Henein表示:“根据Gartner的预测,到2024年末,全球75%人口的个人数据将得到现代隐私法规的保护。这一监管方面的进步已成为推动企业机构加强隐私保护的主要动力。由于多数企业机构尚未形成专门的隐私保护实践,隐私保护责任落到了技术人员身上,更确切地说,落到了首席信息安全官所领导的安全团队身上。”
未来两年,几十个司法管辖区将陆续实施隐私法规,因此许多企业机构认为有必要马上启动隐私工作计划。根据Gartner的预测,到2024年,大型企业机构的年均隐私预算将超过250万美元。
Gartner发布了当前到2024年的五大隐私趋势,能够推动企业机构形成和完善隐私保护实践。在企业机构内部,各个业务领域的领导者应积极传播这些趋势,从而更容易达成共识、创造更大价值并显著缩短价值实现时间。
数据本地化
在一个无国界的数字社会中,设法对数据所在国进行控制似乎有违常识,但许多新出台的隐私法规直接或间接地提出了此种要求。
安全和风险管理领导者面对着尺度不一的监管环境,在不同地区需要采取不同的本地化策略,这使得企业机构为应对跨国业务战略风险而采取一种适合所有服务模式的新型云服务设计和获取方法。由此,数据本地化规划将成为云服务设计和获取方面的首要任务。
隐私增强计算技术
在公有云等不可信环境中进行数据处理以及与多方共享和分析数据,已成为企业机构取得成功的基础。随着分析引擎和架构的日益复杂化,厂商必须提前在设计中加入隐私保护功能,而不是在产品完成后再添加这一功能。企业机构已将AI模型运用至很多领域,同时也必须对AI模型进行训练,这给隐私保护带来了新的隐患。
与常见的静态数据安全控制不同,隐私增强计算(PEC)可以对使用中的数据实施保护。因此,企业机构可以执行此前因隐私或安全担忧而无法实现的数据处理和分析活动。Gartner预测,到2025年60%的大型企业机构将使用至少一种PEC技术来支持分析、商业智能和/或云计算的应用。
AI治理
Gartner的一项调查发现,40%的企业机构存在AI侵犯隐私问题,其中仅有四分之一属于恶意行为。企业机构在处理个人数据时,无论是借助厂商产品中预先集成的AI模块,还是利用内部数据科学团队管理的独立平台,都存在明显的隐私泄露风险和个人数据滥用隐患。
Henein表示:“目前在企业机构中运行的AI模型,大多集成在更大型的解决方案中,几乎没有任何监控手段来评估相关的隐私影响。这些嵌入的AI能力被用于追踪员工行为、评估消费者情绪并构建可在运行中持续学习的“智能”产品。此外,当前被输入至这些学习模型中的数据也将对多年后的决策产生影响。未来,当AI监管法规更为成熟时,企业机构几乎不可能清除在AI治理计划缺位时所采集的‘有毒’数据。IT领导者将不得不放弃整个系统,这将使企业机构及其自身地位蒙受巨大损失。”
集中式隐私用户体验
消费者要求数据主体权利的呼声越来越高,对公开透明的期望也在升高,使得企业机构更重视打造集中式隐私用户体验(UX)。具有远见的企业深谙将通知、cookie、同意管理、主体权利请求(SRR)处理等隐私用户体验的所有构成要素整合至一个自助服务门户的优势。这种方法不但为关键用户群体、客户和员工提供便利,还能节省大量时间和成本。Gartner预测,到2023年,30%面向消费者的企业机构将推出可支持偏好和同意管理的自助式透明门户。
远程模式进化为“万物皆混合”
随着个人在工作和生活中更多地采用混合互动模式,追踪、监测等个人数据处理活动将变得更加频繁,并且隐私风险已变得极为严重。
完全混合的互动方式对隐私产生了诸多影响。同时,在各个行业和领域,员工的生产力以及对工作与生活平衡的满意度也有所提升。企业机构在处理隐私问题时应采取以人为本的方法,尽可能减少监测数据的使用,实际使用时应带有明确目的,例如通过杜绝不必要的摩擦来改善员工体验,或通过向员工发出健康风险信号来降低倦怠风险。
好文章,需要你的鼓励
随着AI模型参数达到数十亿甚至万亿级别,工程团队面临内存约束和计算负担等共同挑战。新兴技术正在帮助解决这些问题:输入和数据压缩技术可将模型压缩50-60%;稀疏性方法通过关注重要区域节省资源;调整上下文窗口减少系统资源消耗;动态模型和强推理系统通过自学习优化性能;扩散模型通过噪声分析生成新结果;边缘计算将数据处理转移到网络端点设备。这些创新方案为构建更高效的AI架构提供了可行路径。
清华大学团队开发了CAMS智能框架,这是首个将城市知识大模型与智能体技术结合的人类移动模拟系统。该系统仅需用户基本信息就能在真实城市中生成逼真的日常轨迹,通过三个核心模块实现了个体行为模式提取、城市空间知识生成和轨迹优化。实验表明CAMS在多项指标上显著优于现有方法,为城市规划、交通管理等领域提供了强大工具。
Meta以143亿美元投资Scale AI,获得49%股份,这是该公司在AI竞赛中最重要的战略举措。该交易解决了Meta在AI发展中面临的核心挑战:获取高质量训练数据。Scale AI创始人王亚历山大将加入Meta领导新的超级智能研究实验室。此次投资使Meta获得了Scale AI在全球的数据标注服务,包括图像、文本和视频处理能力,同时限制了竞争对手的数据获取渠道。
MIT研究团队发现了一个颠覆性的AI训练方法:那些通常被丢弃的模糊、失真的"垃圾"图片,竟然能够训练出比传统方法更优秀的AI模型。他们开发的Ambient Diffusion Omni框架通过智能识别何时使用何种质量的数据,不仅在ImageNet等权威测试中创造新纪录,还为解决AI发展的数据瓶颈问题开辟了全新道路。