Removendo dados privados de modelos de IA? Agora você pode sem acessar os conjuntos de dados originais.

Redazione RHC:21 Setembro 2025 10:02

Uma equipe da Universidade da Califórnia, Riverside, demonstrou uma nova maneira de remover dados privados e protegidos por direitos autorais de modelos de IA sem acessar os conjuntos de dados originais. A solução aborda o problema do conteúdo pessoal e pago sendo reproduzido quase literalmente nas respostas, mesmo quando as fontes são removido ou bloqueado por senhas e paywalls.

A abordagem é chamada de “Desaprendizagem certificada sem fontes”. Um conjunto substituto que é estatisticamente semelhante ao original é usado. Os parâmetros do modelo são modificados como se ele tivesse sido retreinado do zero. Ruído aleatório cuidadosamente calculado é introduzido para garantir o cancelamento. O método apresenta um Novo mecanismo de calibração de ruído que compensa discrepâncias entre os dados originais e substitutos . O objetivo é remover as informações selecionadas, mantendo o desempenho do material restante.

A demanda por essa tecnologia é impulsionados pelos requisitos do GDPR e da CCPA, bem como controvérsias em torno do treinamento em textos protegidos. Os modelos de linguagem são treinados online e, às vezes, produzir trechos quase exatos de fontes, permitindo-lhes ignorar o acesso pago. Separadamente, o O New York Times entrou com uma ação contra a OpenAI e a Microsoft sobre o uso de artigos para treinar modelos GPT.

Os autores testaram o método em conjuntos de dados sintéticos e do mundo real. A abordagem também é adequada quando os conjuntos de dados originais são perdidos, fragmentados ou legalmente inacessíveis.

Atualmente, o trabalho é projetado para arquiteturas mais simples e ainda amplamente utilizadas, mas com mais desenvolvimento, o mecanismo pode ser dimensionado para sistemas maiores, como o ChatGPT.

Os próximos passos são para adaptá-lo a tipos mais complexos de modelos e dados, bem como para criar ferramentas que disponibilizarão a tecnologia para desenvolvedores em todo o mundo. A tecnologia é útil para a mídia, organizações médicas e outros proprietários de informações confidenciais, e também oferece aos indivíduos a capacidade de solicitar a remoção de dados pessoais e proprietários da IA.