Von Abhas Ricky, Chief Technique Officer bei Cloudera

Künstliche Intelligenz treibt die nächste Welle der Unternehmenstransformation voran, doch viele Unternehmen bleiben stecken. Bedenken hinsichtlich der Sicherheit sensibler Daten und geistigen Eigentums halten Unternehmen von der Einführung von KI ab. Laut einer aktuellen Accenture-Studie 77 % der Organisationen Es fehlen die grundlegenden Daten- und KI-Sicherheitspraktiken, die zum Schutz kritischer Modelle, Datenpipelines und Cloud-Infrastruktur erforderlich sind.

Die Lösung liegt darin, die Herangehensweise von Unternehmen an KI zu überdenken. Anstatt wise Daten auf externe Plattformen zu verschieben, sollten Unternehmen Personal AI einführen: ein Modell, bei dem Workloads innerhalb sicherer Grenzen laufen, bei dem Modelle auf die Daten verlagert werden und bei dem Unternehmen die vollständige Kontrolle behalten. Personal KI ermöglicht den Zugriff auf jede Artwork von Daten, jederzeit und in jeder Umgebung – ohne Kompromisse bei Vertrauen oder Agilität.

Personal KI: Workloads ausführen, ohne Daten nach außen zu teilen

Herkömmliche KI-Ansätze erfordern häufig das Senden sensibler Informationen an externe Dienste zur Schulung und Schlussfolgerung. Dies schafft Risiken, erhöht die Latenz und erschwert Governance und Compliance. Personal KI verändert das Modell. Workloads werden überall dort ausgeführt, wo sich die Daten bereits befinden – vor Ort, in privaten oder öffentlichen Clouds oder am Edge –, ohne dass Daten außerhalb sicherer Grenzen verschoben werden müssen.

Dieser Ansatz schützt die Privatsphäre und verbessert gleichzeitig die Leistung. Es stellt sicher, dass die Daten unter Unternehmenskontrolle bleiben und komplexe Übertragungsprozesse vermieden werden. Dadurch wird Sicherheit zu einem Ermöglicher von Innovation und nicht zu einer Einschränkung.

KI bleibt balkanisiert – Warum Partnerökosysteme wichtig sind

Trotz Fortschritten wie der privaten KI bleibt jedoch eine sekundäre Herausforderung im Zusammenhang mit der Fragmentierung von Unternehmen bestehen.

Um Datensätze zu speichern, sind alle Unternehmen immer noch auf unterschiedliche Instruments angewiesen, die nicht aufeinander abgestimmt sind, wodurch Daten gefangen bleiben und die Groups nicht miteinander verbunden sind. Diese Balkanisierung entsteht, weil kein einzelner Anbieter das gesamte Spektrum der KI-Anforderungen abdecken kann. Jeder baut sein eigenes System auf, was zu einem Flickenteppich führt, der die Akzeptanz verlangsamt und das Vertrauen untergräbt.

Um diese Silos aufzubrechen, sind nicht nur einheitliche Plattformen, sondern auch starke Partnerökosysteme erforderlich. Auf dem überfüllten Technologiemarkt von heute führt kein Unternehmen isoliert Innovationen durch. Unternehmen profitieren, wenn Cloud-Anbieter, Infrastrukturunternehmen, Softwareanbieter und Integratoren zusammenarbeiten, um offene, interoperable Lösungen zu schaffen. Partnerökosysteme erweitern die Auswahl, sorgen für Flexibilität und stellen Referenzarchitekturen bereit, die Unternehmen bei der schnellen und zuverlässigen Bereitstellung unterstützen.

Ein gesundes Partnernetzwerk stellt außerdem sicher, dass KI-Workloads nahtlos in verschiedenen Umgebungen ausgeführt werden. Es fördert die Integration zwischen Datenmanagement-, Analyse- und maschinellen Lernsystemen. Anstatt Unternehmen in den geschlossenen Kreislauf eines einzigen Anbieters zu zwingen, fördern Ökosysteme Offenheit, sodass Unternehmen die Instruments auswählen können, die ihren Anforderungen am besten entsprechen, und gleichzeitig eine konsistente Governance und Sicherheit gewährleisten.

Aufbau sicherer, offener Systeme für den universellen Zugriff

Daher waren Open-Supply-Systeme noch nie so wichtig für die Behebung von Inoperabilität in verschiedenen Umgebungen. Durch den Aufbau auf offenen Requirements und Frameworks können Unternehmen strukturierte, unstrukturierte und Streaming-Daten in einer einzigen zugänglichen Struktur verbinden, ohne an proprietäre Systeme gebunden zu sein.

Offene Technologien beseitigen zwei der größten Hindernisse für den KI-Erfolg – ​​Fragmentierung und Lock-in –, indem sie Unternehmen Transparenz, Flexibilität und die Möglichkeit geben, sich mit der schnellen Forschungsgeschwindigkeit weiterzuentwickeln. Sie ermöglichen auch die Zusammenarbeit mit einer globalen Gemeinschaft, die ständig Verbesserungen vorantreibt und Innovationen stärkt, ohne die Kontrolle zu verlieren.

Open Supply ist auch eine Schlüsselkomponente der privaten KI. Sie ermöglicht es, Modelle in die Daten einzubringen, anstatt wise Daten an externe Dienste zu verschieben, und ermöglicht Unternehmen die konsistente Bereitstellung von Modellen in privaten Cloud-, öffentlichen Cloud- oder Edge-Umgebungen.

Wenn Unternehmen personal KI einführen, profitieren sie von mehreren dauerhaften Vorteilen, darunter:

• Sicherheit geht vor. Durch die Ausführung von Workloads dort, wo die Daten gespeichert sind, werden unnötige Übertragungen vermieden und das Risiko verringert.
• Freiheit zur Innovation. Open-Supply-Frameworks ermöglichen es Unternehmen, sich schnell anzupassen und die Abhängigkeit von einem einzelnen Anbieter zu vermeiden.
• Operative Agilität. Einheitliche Plattformen ermöglichen es Unternehmen, jederzeit und in jeder Umgebung auf alle Daten zuzugreifen.
• Governance durch Design. Die integrierte Aufsicht gewährleistet die Verantwortlichkeit und ermöglicht gleichzeitig eine umfassende Nutzung.

Wertschöpfung durch vertrauenswürdige, überall verfügbare KI

Da die IT-Umgebungen von Unternehmen immer komplexer und verteilter werden, ist die Dringlichkeit der Einführung von KI unbestreitbar, aber auch Bedenken hinsichtlich der Datensicherheit. Unternehmen benötigen eine zuverlässige, skalierbare Infrastruktur, die Kernabläufe unterstützt, die KI-Einführung rationalisiert und die Produktivität steigert, ohne das Vertrauen zu gefährden.

Unternehmen benötigen KI-Strategien, die es ihnen ermöglichen, Intelligenz in ihre Daten zu integrieren, wo auch immer sie sich befinden, in öffentlichen Clouds, in lokalen Umgebungen und am Netzwerkrand. Der Erfolg hängt von der Vereinheitlichung dieser Umgebungen ab, die auf Open-Supply-Grundlagen basieren, die einen Lock-in verhindern und die Flexibilität fördern. Indem Unternehmen die Kontrolle über alle Arten von Daten erlangen und starke Sicherheit und Governance einbetten, können Unternehmen mit Zuversicht Echtzeit- und Vorhersageeinblicke gewinnen. Die Unternehmen, die diesen Ansatz verfolgen, werden nicht nur die Entscheidungsfindung verändern, sondern auch die Widerstandsfähigkeit stärken, Ergebnisse verbessern und dauerhafte Wettbewerbsvorteile erzielen.

Laut einer Studie von Michael Walters (Gaia Lab, Nürnberg, Deutschland), Rafael Kaufmann (Primordia Co., Cascais, Portugal), Justice Sefas (Universität British Columbia, BC, Kanada) und Thomas Kopinski (Gaia Lab, Fachhochschule, Fachhochschule, Fachhochschule Sudwestfalen, Meschede, Deutschland), ein neuer von Physik inspirierter Ansatz zur KI-Sicherheit, könnte Multi-Agent-Systeme-wie autonome Fahrzeuge-deutlich sicherer machen.

Ihre Zeitung „Metriken des freien Energierisikos für systemisch sichere KI: Gatekeeping-Multi-Agent-Studie”, Führt eine neue Risikomessmethode ein, die die Entscheidungsfindung in KI-Systemen verbessert, indem Risiken im Voraus vorhersagen und vorbeugende Maßnahmen ergreifen.

Was ist das Prinzip der freien Energie (FEP) und warum ist es wichtig?

Im Zentrum ihrer Forschung steht die Prinzip der freien Energie (FEP)ein Konzept, das ursprünglich in der Physik entwickelt wurde. In einfachen Worten, FEP erklärt, wie Systeme ausgeglichen werden Genauigkeit (Energie) Und Einfachheit (Entropie) Bei Vorhersagen.

Stellen Sie sich das so vor: Ein KI -System, das versucht, durch die Welt zu navigieren, muss ein Gleichgewicht zwischen dem Sammeln detaillierter Informationen und dem effizienten Handeln machen. Wenn das System zu komplex ist, wird es schwierig zu verwalten. Wenn es zu einfach ist, kann es kritische Risiken übersehen. Die Autoren verwenden dieses Prinzip, um a zu erstellen Neue Risikometrik Dies vermeidet die Notwendigkeit großer Datenmengen oder übermäßig komplizierter Modelle, wodurch KI sichergestellt wird praktischer und transparenter.

---

KI lernt zu fahren wie ein Mensch – indem sie Sie in Panik beobachtet

---

Die kumulative Risikoexposition (CRE) ist eine intelligentere Methode zur Messung des Risikos

Die Forscher schlagen ein neues Risikomesssystem vor, das genannt wird Kumulative Risikoexposition (CRE).

Wie unterscheidet sich Cre?

• Im Gegensatz zu herkömmlichen RisikomodellenMit CRE stützen sich die Interessengruppen auf umfangreiche Weltmodelle und können definieren, was „sichere“ durch die Angabe der bevorzugten Ergebnisse angeben.
• Das macht Entscheidungsfindung clear und flexibelwie sich das System an verschiedene Umgebungen und Bedürfnisse anpasst.
• Anstatt sich auf zu verlassen Übermäßige SensordatenCRE schätzt das Risiko durch prädiktive Simulationen über kurze Zeitrahmen.

Cre bietet mehr effizient und anpassungsfähig Möglichkeit, das Risiko in KI-gesteuerten Systemen zu bewerten und die Abhängigkeit von ressourcenintensiven Berechnungen zu verringern.

Gatekeepers: KI, die einschreiten, bevor die Dinge schief gehen

Um die CRE-Metrik in realen Szenarien anzuwenden, stellen die Forscher vor Torhüter– Modul, die KI -Entscheidungen überwachen und bei Bedarf eingreifen.

Wie arbeiten Gatekeeper?

• Bei autonomen Fahrzeugen,, Gatekeeper simulieren ständig mögliche zukünftige Szenarien Risiko bestimmen.
• Wenn sie ein unsicheres Ergebnis erkennen, sind sie Überschreiben Sie den aktuellen Fahrmodus des Fahrzeugs und schalten Sie es in ein sichereres Verhalten.
• Dies ermöglicht KI -Systeme zu antizipieren Gefahren, bevor sie stattfinden, anstatt danach zu reagieren.

Simulation sicherer Straßen mit autonomen Fahrzeugen

Die Studie testete dieses Modell in a simulierte Fahrumgebung. Die Forscher unterteilten Fahrzeuge in zwei Gruppen:

• „Egos“ – Fahrzeuge, die von Gatekeepern überwacht und kontrolliert werden.
• „Verändert“ -Hintergrundfahrzeuge mit festem, voreingestelltem Fahrverhalten.

In diesem AutobahnsimulationEinige Ego -Fahrzeuge durften von Gatekeeper kontrolliert werden, andere nicht.

Schlüsselergebnisse:

1. Auch wenn nur eine kleine Anzahl von Fahrzeugen unter der Kontrolle der Gatekeeper stand, Die gesamte Verkehrssicherheit verbesserte sich.
2. Weniger Kollisionen trat auf und zeigten, dass proaktive Intervention einen messbaren Unterschied machte.
3. Fahrzeuge gepflegt hohe Geschwindigkeiten, wenn sie sicher sind aber auf vorsichtiges Fahren umgestellt, wenn Risikostufen stiegen.

Die Ergebnisse legen nahe, dass sogar teilweise Adoption von Gatekeeper-kontrollierter KI könnte zu führen Sicherere Verkehrsbedingungen ohne Kompromisse bei Effizienz. Während sich die Studie auf autonome Fahrzeuge konzentrierte, die Das CRE- und Gatekeeper-Modell könnten für viele andere KI-gesteuerte Felder gelten.

Potenzielle Anwendungen umfassen:

• Robotik: Stellen Sie sicher, dass KI-betriebene Roboter sicher neben Menschen arbeiten.
• Finanzhandelssysteme: Vorhersage von Marktbewegungen mit hohem Risiko und Anpassungsstrategien.
• Industrieautomatisierung: Verhindern, dass AI-kontrollierte Maschinen unsichere Entscheidungen treffen.

---

Ausgewähltes Bildnachweis: Kerem Gülen/Midjourney