Leo, AI ni tikiti ya dhahabu ya faida ya tija na faida ya ushindani. Kuanzia uendeshaji wa kazi zinazorudiwa kiotomatiki hadi kugundua maarifa yaliyofichwa kwenye bahari ya data, AI inaonekana kuahidi yote. Lakini ukweli unasimulia hadithi tofauti. Mipango mingi ya AI inatatizika kupata mvuto, wakati mingine imezindua tu kuanguka na kuchoma. Kwa nini? Jibu fupi ni hili: Kampuni hazijui hatari, au zinazidharau. Mwaka huu, IBM ilichapisha kipande na kichwa kinasema yote: “Data Inapendekeza Ukuaji katika Upitishaji wa Biashara wa AI unatokana na Usambaaji Sana wa Waasili wa Mapema, Lakini Vizuizi Huweka 40% katika Awamu za Uchunguzi na Majaribio.” Usiue mjumbe – ninaiona kila mahali ninapoenda. Mashirika mengine ni tahadhari—yanajua AI huanzisha udhaifu unaowezekana na yanasita kuendelea bila misingi ifaayo ya usalama wa data. Lakini idadi kubwa husonga mbele, ikivutiwa na ahadi ya AI, ili kuvuta plagi baada ya ukiukaji au uvujaji wa data bila kukusudia. Ni kisa cha kawaida cha “hujui usichojua.” Na kwa AI, vigingi ni vya juu. Shimo la Kupiga Mbizi kwa Upofu Fikiria unajenga nyumba. Umefurahia kupata bidhaa iliyokamilika, kwa hivyo unaruka hatua za kimsingi ili kuharakisha mambo. Labda unapita uhandisi wa muundo au kukata pembe kwenye mfumo. Inaonekana vizuri-mpaka dhoruba ya kwanza inapiga. Hiyo ndivyo hufanyika wakati mashirika yanaruka kwenye AI bila kupata msingi wa data. AI, haswa wakati wa kutumia miundo mikubwa ya lugha (LLMs) na zana zingine za uzalishaji, hutegemea idadi kubwa ya data kufanya kazi. Lakini data hii isipoainishwa, kulindwa, na kusimamiwa ipasavyo, matokeo yanaweza kuwa mabaya. Katika uchunguzi wa hivi majuzi, 70% ya makampuni yaliripoti angalau tukio moja la usalama linalohusiana na AI au la faragha. Mara nyingi, hawakutarajia jinsi data ingetiririka au ni nani angeweza kufikia taarifa nyeti ndani ya mfumo wa AI. Matokeo? Ukiukaji wa gharama kubwa na somo gumu ulijifunza. Kusitasita – Kwa Sababu Njema Kwa wengine, hatari zote ziko wazi sana. Viongozi wanajua AI inaleta changamoto mpya kwa usalama wa data, kufuata kanuni na faragha. Wanaweza kutambua kwamba hawana mfumo thabiti wa data lakini hawajui waanzie wapi kuunda moja. Na hivyo, maduka ya mradi, hawakupata kati ya kuvutia ya faida ya AI na hofu ya hatari haijulikani. Suala moja kuu ni kuenea kwa data—bila uainishaji na utawala ufaao, data inaweza kusimamiwa vibaya au kuwekwa vibaya ndani ya mifumo ya AI. Kwa hakika, Gartner anatabiri kwamba, kufikia mwaka wa 2028, zaidi ya 50% ya makampuni ambayo yamejenga modeli zao kubwa za lugha (LLMs) kuanzia mwanzo yataachana na juhudi zao kutokana na gharama, utata, na madeni ya kiufundi. Kwa mashirika yanayopima hatari za AI, nambari hizi ni sababu ya tahadhari. LLM na Tatizo la Mfichuo wa Data Hebu tuzungumze kuhusu miundo mikubwa ya lugha (LLM), ambayo ni miongoni mwa zana zenye nguvu zaidi katika AI. Zina ufanisi mkubwa katika kushughulikia kazi kutoka kwa kutengeneza maandishi yanayofanana na ya binadamu hadi michakato ya kiotomatiki. Lakini hapa kuna mtego: LLM hazielewi unyeti wa data. Wanachakata data yoyote wanayolishwa, kumaanisha ikiwa taarifa nyeti—kama vile PII ya mteja, msimbo wa umiliki, au maarifa ya kimkakati—haidhibitiwi, inaweza kufichuliwa kwa urahisi. Zingatia hili: Mnamo 2023, semiconductor ya kimataifa ilipata uvujaji mkubwa wa data uliohusisha miundo mikubwa ya lugha. Wafanyikazi walifichua maelezo ya siri ya kampuni bila kukusudia kwa kutumia ChatGPT ya OpenAI kukagua na kutatua msimbo wa chanzo. Uangalizi haukuwa mbaya; ilitokana na ukosefu wa uainishaji wa data na utawala unaolenga AI. Wakati LLM zinatumwa bila njia za ulinzi, zinaweza kuongeza hatari badala ya kuipunguza. Nilifanya kikao kuhusu jambo hili hili huko RSA mnamo Mei 2024 na tangu wakati huo, nimesikia mifano mingine mingi. Kuunda Mbinu ya Data-Kwanza, ya Msingi ya Binadamu Kwa hivyo, unazuiaje miradi ya AI kukwama au kushindwa? Jibu liko katika kuchukua data-kwanza, mbinu ya kibinadamu. ‘Data-kwanza’ inamaanisha kuelewa na kuainisha data yako, kufuatilia inapotiririka, na kujua ni nani hasa au ni nini anayeweza kuipata. Wakati huo huo, kipengele cha ‘kitu kinachozingatia binadamu’ ni muhimu kwa sababu ni watu wanaofundisha mashine, kuandaa data na kuhakikisha kuwa iko tayari kusaidia AI kwa usalama na kwa ufanisi. Kwa kuweka data na watu katikati, tunaunda msingi thabiti ambao hufanya AI iwe na nguvu na salama kusambaza. Kabla ya kutekeleza mpango wowote wa AI, mashirika yanahitaji kuanzisha usalama wa data na udhibiti wa utawala. Hii hapa ni ramani ya kuanza: Ainisha Data Yako: Tambua na uweke lebo data kulingana na viwango vya unyeti (km, siri, ndani, hadharani). Uainishaji husaidia kuhakikisha kuwa mifumo ya AI haifichui au kushughulikia vibaya taarifa nyeti bila kukusudia. Weka Walinzi: Weka sera za matumizi na ruhusa ili kupunguza jinsi data inavyotiririka ndani ya mifumo ya AI. Anzisha ukaguzi ili kuzuia data nyeti kutumiwa isivyofaa. Jenga katika Ufuatiliaji na Mwonekano: Tumia zana zinazotoa mwonekano wa jinsi na wapi data inasogea ndani ya mifumo ikolojia ya AI. Ufuatiliaji unaweza kusaidia kutambua matumizi yasiyoidhinishwa au hitilafu katika muda halisi. Mafunzo ya Kuendelea: Waelimishe wafanyakazi kuhusu hatari zinazohusiana na zana za AI – hasa kuhusu kushughulikia data nyeti. Matukio mengi hutokea si kwa sababu ya ubaya bali ni kwa sababu ya kukosa ufahamu. Kusonga Mbele Tukiwa na Macho Kwa Uwazi Ahadi ya AI ni kubwa sana, lakini hatari pia ni wakati miradi inaendelea bila usalama wa kimsingi. Ukweli ni kwamba, AI inatanguliza uwezo mpya na udhaifu mpya—mashirika mengi ambayo bado hayajatayarishwa. Kwa kuchukua mbinu ya data-kwanza, kuainisha taarifa, na kuweka nguzo imara za ulinzi, kampuni zinaweza kufungua uwezo wa AI kwa usalama. Katika enzi hii ya mabadiliko ya kidijitali, miradi ya AI sio lazima iwe hadithi za tahadhari. Kwa msingi sahihi wa data, wanaweza kuendeleza manufaa ya tija na maarifa—bila hatari ya makosa ya gharama kubwa. URL ya Chapisho Asilia: https://www.proofpoint.com/us/newsroom/news/beyond-hype-how-set-your-ai-project-real-success