安全与隐私冲突
当今世界,城市化进程加速,犯罪率持续上升,恐怖主义蔓延,公共安全面临严峻挑战。随着城市扩张和人口密度增加,确保公共安全的任务变得更加复杂,尤其是在执法资源有限的情况下。技术的进步推动了监控设备和摄像机的部署,增强了公共安全。目前,监控较为密集的城市包括德里、首尔、莫斯科、纽约和伦敦等。然而,监控增加带来了更高的成本:个人隐私受到侵犯。人们珍视不暴露身份、免受监控的权利,而时刻被监视的感觉则导致了安全与隐私之间的复杂冲突。这引发了政策制定者之间的激烈辩论,从而带来立法监管或者公共空间监控设备的禁用。
人工智能技术在预防犯罪和增强公共安全中发挥重要作用
近年来,随着技术的不断进步,尤其是生成式人工智能的迅猛发展,人工智能在公共安全领域的应用日益凸显其重要性。通过将人工智能集成到摄像机或视频管理系统中,它在维护公共安全方面发挥着越来越关键的作用,使得公共安全监控变得更加高效且具吸引力。
监控系统中最常见的人工智能案例包括周界保护和访问控制。这些应用利用人工智能任务,如目标检测、分割、视频元数据和重新识别,快速准确识别合法、可疑或异常人员及行为,并实时触发响应。
人工智能驱动的监控系统提供了更精细、更微妙的监控能力,能够实时、精准检测、识别响应。然而,在增强安全性和确保公共安全的同时,这些技术也引发了人们对隐私和个人可识别信息潜在滥用的担忧,从而凸显了采取强大数据保护措施的必要性。
人工智能解决方案中的道德考量与隐私挑战
传统的基于云的人工智能解决方案通过利用集中式数据中心提供强大的处理能力。然而,它们也存在一些漏洞,特别是一些关于数据隐私的漏洞。
-静态数据
大量数据的集中式存储使得云系统成为网络攻击的目标。无论是私人个体、有组织犯罪集团还是敌对政府势力,黑客都可能利用这些系统,引发大规模数据泄露事件。将数据处理分布到网络边缘,使得任何潜在数据泄露都被限制在遭受黑客攻击的特定节点,从而使大规模数据泄露更具挑战性。此外,关于数据隐私的法规对可分析的原始数据类型及分析方式施加了严格的限制。基于云的系统必须应对这些复杂的法律环境,而这往往会导致洞察力受限、合规挑战重重,甚至引发潜在的法律责任。相比之下,边缘处理则能够在仅存储和传输必要信息的同时,依然保持深刻的洞察。
-数据传输
将数据从设备传输到云端会产生多个漏洞点。在传输过程中拦截数据可能会暴露敏感信息,从而破坏系统的安全性。
-可信执行环境
云中心是单点故障源,可能会对大量摄像机造成影响,而如果采用分布式部署方式,每个系统都可以自由选用不同的算法,并根据所有者或者集成商的决策,在准确性方面进行灵活扩展。
边缘人工智能:隐私安全解决方案
边缘人工智能通过在设备上直接进行本地化数据处理,而非将其传输到集中式云端,为这些挑战提供了解决方案。从隐私安全角度来看,这种解决方案具有以下几个优势:
-减少数据传输
通过在设备上处理数据,边缘人工智能最大限度地减少了通过互联网传输敏感信息的需求,显著降低了数据拦截和泄露的风险。
-本地化数据存储
边缘设备在本地存储数据,限制了在网络攻击情况下的暴露范围。即使设备被攻破,泄露的范围也仅限于该特定设备,而非整个网络。
-匿名数据存储
如果实现本地化匿名处理,无论是边缘设备还是云上存储的数据,都可进行匿名化处理,确保数据核心不会丢失的同时,个人可识别信息也不会暴露。
-数据选择性
边缘人工智能可以设计为仅关注相关事件,如识别暴力或可疑行为,而不记录连续的视频。这种选择性记录有助于维护公共场所中个人的隐私。
为了有效平衡安全与隐私,可以为边缘人工智能系统设计特定的限制措施,这些限制本质上旨在保护个人数据。例如,实施带宽限制,通过限制摄像头的传输能力,确保视频文件不会被持续发送到云端,从而降低数据泄露的风险并有效保护个人隐私。另一个固有的技术限制是应用选择性记录,这一限制可以减少存储的数据量,仅捕获必要的公共安全内容。
为了使边缘人工智能更加有效,设备需要具备快速处理复杂算法的能力,以便实时识别威胁,同时确保成本效益和能效水平。虽然独立软件供应商正在优化算法以确保边缘人工智能在不消耗计算资源的情况下执行复杂任务,但人工智能硬件的进步,如专用的人工智能处理器和低功耗、高性能芯片,正逐步使边缘人工智能成为现实。
实现平衡:隐私与安全
边缘人工智能为解决公共安全与个人隐私之间的平衡问题提供了解决方案。通过在本地处理数据并对数据传输和存储施加固有的限制,边缘人工智能降低了基于云的系统所带来的风险。随着这些技术的不断发展,边缘人工智能将不仅能够打造更安全公共空间,也能够在尊重个人隐私权利方面发挥关键作用。这种解决方案不仅增强了安全性,还巩固了用户对系统的信任度。
