人工智能（AI）数据隐私服务概述
人工智能（AI）应用正迅猛增长，但隐忧犹存。2023 年的一项研究显示，全球 57% 的消费者认为 AI 的使用对隐私构成重大威胁。1 出于种种原因，消费者对个人身份信息的安全状况感到担忧。
建立信任对于利益相关者来说尤为关键，因为当涉及到人工智能（AI）和数据隐私时，他们需要有效应对公众的质疑。
UL Solutions 的人工智能（AI）数据隐私计划基于我们 AI 安全评估流程的 11 项核心原则，属于“符合道德规范的 AI 应用”支柱范畴。在该专项工作中，我们采用综合性框架验证是否已采取适当的安全措施以保护数据隐私，重点审查用于用户数据收集、存储、保护和披露的 AI 算法。评估成功完成后，可获得 UL Solutions 市场宣称验证证书及 UL 验证标志。
人工智能（AI）数据隐私的优势
随着人工智能（AI）的使用日益普及，信任这一要素变得愈发重要。作为全球安全科学领导的专家，我们的客观评估能增强品牌市场宣称的可靠性、真实性及可信度。
人工智能（AI）数据隐私验证流程的目标
数据隐私评估是一种验证方法，旨在确保个人计算机中供人工智能（AI）模型使用的个人可识别信息（PII）或机密数据，始终保留在本地或通过有效的安全措施得到保护。
验证流程
UL Solutions 已建立特定流程，以评估客户是否已采取适当的安全措施来保护数据隐私。我们的方法包括：
数据收集与授权同意
确认数据收集是否严格限定于既定使用场景所需的必要范围，且数据收集行为均获得个人的知情同意。
数据匿名化与假名化
应用匿名化、假名化等技术，并评估其在防止重新识别方面的有效性。
数据存储与访问控制
实施加密技术保障数据存储安全，采用访问控制机制确保数据仅限授权人员访问，维护审计日志以监控数据访问行为并检测未经授权的访问尝试。
数据处理与使用
明确数据处理的目的，证明数据的使用符合这些目的，同时应用最小特权原则，并记录数据处理活动。
数据共享与传输
建立安全数据共享协议，包含加密及安全传输方法，同时协助证明接收数据的第三方遵循类似或更严格的数据隐私标准。
模型训练与确认
在模型训练与确认过程中使用差分隐私等技术，并采用保护隐私的方法，以助力证明模型不会记住或泄露敏感信息。
模型部署与推理
评估推理阶段的数据泄露风险，尤其是在人工智能（AI）模型可通过 API 访问的情况下，并实施速率限制及密切监控，以防止滥用模型推理进行数据提取。
事故响应和数据泄露管理
制定并维护数据泄露应急预案，培训相关人员处理数据泄露事件，在发生数据泄露时及时通知受影响个人及监管机构。
透明度与问责制
评估客户是否向用户透明公开数据使用方式及目的，建立用户数据访问、更正与删除机制，同时明确组织内部各项数据隐私事项的责任归属。
持续监控与改进（持续进行）
持续监控人工智能（AI）系统的潜在隐私风险与违规行为，包括采用新型隐私增强技术，并审查组织内部的隐私和数据保护文化。
合规与审计（持续进行）
定期审计人工智能（AI）系统是否符合数据隐私法规及内部政策，包括必要时开展数据保护影响评估（DPIA），针对新规、漏洞或隐私增强技术评估并更新隐私实践。
探索我们的人工智能（AI）验证与确认服务
X
联系我们
验证是否已部署适当的安全措施来保障数据隐私。
Please wait…
剩余字符