Paano Babaguhin ng Regulasyon ang AI para sa mga Kumpanya at User [2024]

Ang unang malaking pagbabago sa regulasyon ng AI ay hindi tungkol sa pagpigil sa teknolohiya, kundi ang paglalantad nito sa liwanag. Sa loob ng maraming taon, ang mga developer ay nagtrabaho sa isang vacuum kung saan ang data na ginagamit sa pag-train ng mga massive models ay isang mahigpit na trade secret. Nagtatapos na iyan. Ang pinaka-agarang pagbabago para sa mga kumpanya at user ay ang pagdating ng mga mahigpit na transparency mandates na nag-oobliga sa mga builder na isiwalat kung anong mga libro, artikulo, at larawan ang kinonsumo ng kanilang mga system. Hindi lang ito basta paperwork. Isa itong pundamental na pagbabago sa kung paano ginagawa at ibinebenta ang software. Kapag hindi na maitago ng isang kumpanya ang kanilang training sources, ang legal risk ay lilipat mula sa developer patungo sa buong supply chain. Makakakita na ang mga user ng mga label sa AI generated content na katulad ng nutrition facts sa pagkain. Ang mga label na ito ay magdedetalye ng model version, pinagmulan ng data, at ang safety testing na pinagdaanan nito. Ang pagbabagong ito ay naglalayo sa industriya mula sa era ng “move fast and break things” patungo sa panahon ng mabigat na dokumentasyon. Ang layunin ay tiyakin na ang bawat output ay matutunton sa isang verified source, na ginagawang bagong standard ng industriya ang accountability.

Ang Bagong Rulebook para sa High Risk Systems

Ang mga regulator ay lumalayo na sa malalawak na pagbabawal at patungo sa isang system na nakabase sa risk tiers. Ang pinaka-maimpluwensyang framework, ang EU AI Act, ay nagkakategorya ng AI base sa potensyal nitong makapinsala. Ang mga system na ginagamit sa hiring, credit scoring, o law enforcement ay itinuturing na high risk. Kung ikaw ay isang kumpanyang bumubuo ng tool para mag-screen ng mga resume, hindi ka na lang basta software provider. Isa ka na ngayong regulated entity na sumasailalim sa parehong antas ng pagsusuri gaya ng isang medical device manufacturer. Ibig sabihin, kailangan mong magsagawa ng mahigpit na bias testing bago pa man makarating ang produkto sa customer. Kailangan mo ring magpanatili ng detalyadong logs kung paano gumagawa ng desisyon ang AI. Para sa karaniwang user, ibig sabihin nito ay magiging mas predictable na ang mga tool na ginagamit nila para sa mahahalagang desisyon sa buhay at hindi na parang isang black box. Ang regulasyon ay target din ang mga dark pattern kung saan ginagamit ang AI para manipulahin ang behavior ng tao o samantalahin ang mga kahinaan. Ito ay hakbang patungo sa consumer protection na tumitingin sa AI bilang isang utility sa halip na laruan. Ang mga kumpanyang mabibigong sumunod sa mga standard na ito ay haharap sa mga multa na aabot ng sampu-sampung milyong dolyar. Hindi ito mungkahi kundi isang hard requirement para sa pagnenegosyo sa pinakamalalaking merkado sa mundo.

Mayroon ka bang kuwento, tool, trend, o tanong tungkol sa AI na sa tingin mo ay dapat naming i-cover? Ipadala sa amin ang iyong ideya sa artikulo — gusto naming marinig ito.

Sa United States, ang pokus ay medyo iba pero kasing-epektibo rin. Ang mga executive order at bagong framework mula sa National Institute of Standards and Technology ay nagbibigay-diin sa safety testing at red teaming. Kasama rito ang pag-hire ng mga hacker para humanap ng paraan para mapalya ang AI o makagawa ng mapanganib na impormasyon. Bagama’t hindi pa ito mga batas na kasing-tindi ng European rules, nagiging de facto standard na ito para sa mga government contract. Kung gustong ibenta ng isang tech company ang software nito sa federal government, dapat nitong patunayan na sinunod nito ang mga safety guideline na ito. Lumilikha ito ng trickle-down effect. Ang mga maliliit na startup na gustong mabili ng mas malalaking kumpanya ay kailangan ding sumunod sa mga panuntunang ito para mapanatili ang kanilang halaga. Ang resulta ay isang global shift patungo sa mga standardized safety protocol na mas mukhang aviation safety kaysa sa tradisyunal na software development. Ang era ng pag-release ng model at pagtingin kung ano ang mangyayari ay pinapalitan na ng kultura ng pre-release verification.

Bakit May Global na Epekto ang mga Lokal na Batas

Isang karaniwang maling akala na ang batas na ipinasa sa Brussels o Washington ay nakakaapekto lang sa mga kumpanya sa mga lungsod na iyon. Sa katotohanan, ang tech industry ay napaka-interconnected kaya ang isang malaking regulasyon ay madalas nagiging global standard. Ito ang tinatawag na Brussels Effect. Kapag ang isang malaking kumpanya gaya ng Google o Microsoft ay nagbago ng kanilang data handling practices para sumunod sa European law, bihirang maging praktikal ang gumawa ng ibang bersyon para sa ibang bahagi ng mundo. Ang gastos sa pagpapanatili ng dalawang magkahiwalay na system ay mas mataas kaysa sa paggawa na lang ng buong produkto na compliant sa pinakamahigpit na rules. Ibig sabihin, ang mga user sa South America o Southeast Asia ay makikinabang sa mga privacy protection at transparency rules na ipinasa libu-libong milya ang layo. Ang global implementation ng mga rules na ito ay nagsisiguro ng mas patas na laban para sa mga kumpanya ng lahat ng laki.

Ang global alignment na ito ay makikita rin sa kung paano hinahawakan ang copyright. Ang mga korte sa iba’t ibang hurisdiksyon ay kasalukuyang nagpapasya kung ang mga AI company ay maaaring gumamit ng copyrighted material nang walang pahintulot. Ang unang wave ng regulasyon ay malamang na mag-oobliga ng isang compensation system o kahit man lang paraan para sa mga creator na mag-opt out sa mga training set. Nakikita natin ang simula ng isang bagong ekonomiya kung saan ang data ay itinuturing na physical asset na may malinaw na chain of title. Para sa isang user, maaaring ibig sabihin nito na ang mga AI tool na ginagamit mo ay magiging medyo mas mahal dahil isinasama na ng mga kumpanya ang gastos sa data licensing sa kanilang subscription fees. Gayunpaman, ibig sabihin din nito ay magiging mas legally stable ang mga tool. Hindi mo na kailangang mag-alala na ang larawan o text na ginagawa mo ngayon ay magiging paksa ng demanda bukas. Ang legal infrastructure ay humahabol na sa technical capabilities, na nagbibigay ng pundasyon para sa long-term growth nang walang anino ng tuluy-tuloy na litigation.

Ang Bagong Office Workflow

Isipin ang isang tipikal na araw para sa isang marketing manager na si Sarah sa malapit na hinaharap. Bago makagamit si Sarah ng AI tool para gumawa ng bagong ad campaign, dapat i-greenlight ng internal compliance dashboard ng kanyang kumpanya ang model. Awtomatikong tinitingnan ng software kung ang model ay certified sa ilalim ng pinakabagong safety standards. Kapag gumawa si Sarah ng larawan, naglalagay ang software ng digital watermark na hindi nakikita ng mata pero nababasa ng anumang browser. Ang watermark na ito ay naglalaman ng metadata tungkol sa AI na ginamit at petsa ng paggawa. Hindi ito feature na pinili niyang i-on. Ito ay mandatory requirement na nakabuo sa software ng developer para sumunod sa mga regional law. Kung susubukan ni Sarah na i-upload ang larawang ito sa isang social media platform, babasahin ng platform ang watermark at awtomatikong magdaragdag ng label na nagsasabing “AI Generated.” Lumilikha ito ng transparent na environment kung saan ang linya sa pagitan ng gawa ng tao at makina ay malinaw na nakamarka.

Pagkalipas ng araw, kailangan ni Sarah na mag-analyze ng customer data. Noon, baka ipinaste niya ang data na ito sa isang public chatbot. Sa ilalim ng mga bagong regulasyon, gumagamit ang kanyang kumpanya ng localized version ng AI na nagtatago ng lahat ng data sa isang private server. Inoobliga ng regulasyon na ang sensitibong personal na impormasyon ay hindi maaaring gamitin para i-train ang general model. Mas mabagal ang workflow ni Sarah dahil sa mga dagdag na hakbang na ito, pero ang panganib ng data breach ay mas mababa. Nagbibigay din ang software ng audit trail. Kung magtanong ang isang customer kung bakit sila tinarget ng isang partikular na ad, makakakuha si Sarah ng report na nagpapakita ng logic na ginamit ng AI. Ito ang operational reality ng regulated AI. Hindi ito masyadong tungkol sa mahika kundi sa mga managed process. Ang friction na ipinakilala ng mga rules na ito ay isang sinadyang desisyon para maiwasan ang maling paggamit ng makapangyarihang mga tool.

Para sa mga creator ng mga tool na ito, ang epekto ay mas direkta. Ang isang developer sa isang startup ay hindi na basta-basta makakakuha ng dataset mula sa internet para mag-train. Kailangan nilang idokumento ang pinagmulan ng bawat gigabyte ng data. Kailangan nilang magpatakbo ng mga automated test para suriin ang mga toxic output at bias. Kung ang model ay itinuturing na high risk, kailangan nilang isumite ang kanilang findings sa isang third-party auditor. Binabago nito ang hiring needs ng mga tech company. Naghahanap na sila ngayon ng mga ethics officer at compliance engineer gaya ng paghahanap nila sa mga data scientist. Ang gastos sa pagdadala ng bagong AI product sa merkado ay tumataas, na maaaring pabor sa mas malalaking kumpanya na may mas malalim na bulsa. Isa ito sa mga nakikitang kontradiksyon ng regulasyon. Bagama’t pinoprotektahan nito ang user, maaari rin nitong pigilan ang kompetisyon na nagtutulak ng inobasyon.

Ang tensyong ito ang magtatakda sa susunod na dekada ng tech industry habang nagdedesisyon tayo kung gaano karaming panganib ang handa nating tanggapin kapalit ng mas mabilis na pag-unlad.

Ang Gastos ng Ganap na Kaligtasan

Dapat nating itanong kung ang pagpupursige para sa kabuuang kaligtasan ay lumilikha ng bagong set ng mga problema. Kung ang bawat AI output ay dapat may watermark at ang bawat training set ay dapat isiwalat, mawawala ba sa atin ang kakayahang mag-innovate nang pribado? May nakatagong gastos ang transparency. Maaaring makita ng mga maliliit na developer na ang pasanin ng dokumentasyon ay napakataas kaya titigil na lang sila sa pagbuo. Maaari itong humantong sa hinaharap kung saan iilan lang na malalaking korporasyon ang kayang umiral. Sino ang magpapasya kung ano ang bumubuo sa isang high-risk system? Kung magpasya ang gobyerno na ang isang AI na ginagamit para sa political speech ay high risk, magiging tool ba ito para sa censorship? Ito ang mga mahihirap na tanong na hindi lubos na nasasagot ng unang wave ng regulasyon. Ipinagpapalit natin ang isang tiyak na dami ng kalayaan para sa isang tiyak na dami ng seguridad, pero ang exchange rate ay hindi pa malinaw.

Ang privacy ay isa pang area kung saan maaaring mag-backfire ang mga rules. Para patunayan na ang isang AI ay hindi biased laban sa isang partikular na grupo, madalas kailangan ng mga developer na mangolekta ng mas maraming data tungkol sa grupong iyon, hindi mas kaunti. Para matiyak na ang isang model ay patas sa mga tao ng lahat ng etnisidad, kailangan ng developer na malaman ang etnisidad ng mga tao sa training data. Lumilikha ito ng paradox kung saan mas maraming surveillance ang kailangan para matiyak ang mas kaunting diskriminasyon. Sulit ba ang trade-off? Bukod dito, habang lumilipat tayo patungo sa mga local storage requirement para protektahan ang data, maaaring makakita tayo ng fragmentation ng internet. Kung inoobliga ng isang bansa na ang lahat ng AI data para sa mga mamamayan nito ay dapat manatili sa loob ng mga hangganan nito, lumilikha ito ng digital wall. Maaari nitong pigilan ang global collaboration na naging tatak ng tech industry sa loob ng tatlumpung taon. Dapat tayong maging maingat na sa ating pagmamadaling mag-regulate, hindi natin aksidenteng masira ang open nature ng web.

Ang Engineering ng Compliance

Mula sa teknikal na perspektibo, ang compliance ay isinasama na sa API layer. Ang mga major provider ay nagpapatupad na ng mga rate limit at content filter na higit pa sa mga safety feature. Ang mga ito ay legal safeguard. Para sa mga power user, ibig sabihin nito ay bilang na ang mga araw ng uncensored, raw model access. Karamihan sa mga commercial API ngayon ay may kasamang mandatory moderation endpoint na nag-i-scan sa bawat prompt at bawat response. Kung bumubuo ka ng application sa ibabaw ng mga model na ito, dapat mong isaalang-alang ang latency na idinaragdag ng mga check na ito sa iyong system. May isyu rin ng model versioning. Para sumunod sa mga audit requirement, kailangang panatilihing active ng mga kumpanya ang mga lumang bersyon ng kanilang mga model para masuri ang mga nakaraang desisyon. Pinapataas nito ang storage at compute cost para sa provider, na kalaunan ay ipapasa sa user.

Ang local storage at edge computing ay nagiging mga gustong solusyon para sa mga privacy-conscious na enterprise. Sa halip na magpadala ng data sa isang central cloud, ang mga kumpanya ay nagpapatakbo ng mas maliliit at optimized na mga model sa sarili nilang hardware. Iniiwasan nito ang legal na sakit ng ulo ng cross-border data transfer. Gayunpaman, ang mga local model na ito ay madalas kulang sa lakas ng kanilang cloud-based counterparts. Ang mga developer ay inaatasan na ngayon ng bagong uri ng optimization. Kailangan nilang malaman kung paano makukuha ang maximum performance mula sa isang model na kasya sa isang server habang sumusunod pa rin sa lahat ng transparency requirement ng batas. Nakikita rin natin ang pag-usbong ng mga provenance protocol gaya ng C2PA. Ito ay isang technical standard na nagbibigay-daan para sa cryptographically secure na pag-label ng digital content. Hindi lang ito tungkol sa pagdaragdag ng tag. Ito ay tungkol sa paglikha ng permanenteng record ng kasaysayan ng isang larawan mula sa camera o AI patungo sa screen. Para sa geek section, ibig sabihin nito ay pamamahala ng mga kumplikadong key architecture at pagtiyak na ang metadata ay hindi tinatanggal ng social media compression algorithm.

Ang Paglipat Patungo sa Accountability

Ang unang wave ng AI regulation ay malinaw na senyales na tapos na ang experimental phase ng industriya. Papasok na tayo sa panahon kung saan ang operational reality ng pagbuo at paggamit ng AI ay tinutukoy ng batas sa halip na kakayahan lang. Ang mga kumpanya ay kailangang maging mas maingat tungkol sa data na ginagamit nila at sa mga produktong inilalabas nila. Ang mga user ay kailangang masanay sa isang mundo kung saan ang AI ay may label, sinusubaybayan, at ino-audit. Bagama’t nagdaragdag ito ng friction sa proseso, nagdaragdag din ito ng layer ng tiwala na matagal nang nawawala. Ang layunin ay lumikha ng system kung saan ang mga benepisyo ng AI ay mapapakinabangan nang walang tuluy-tuloy na takot sa bias, pagnanakaw, o maling impormasyon. Mahirap na landas ito, pero ito lang ang tanging paraan para matiyak na ang mga tool na ito ay magiging permanente at positibong bahagi ng ating global society.

Paalala ng Editor: Ginawa namin ang site na ito bilang isang multilingual AI news at guides hub para sa mga taong hindi computer geeks, ngunit nais pa ring maunawaan ang artificial intelligence, gamitin ito nang may higit na kumpiyansa, at sundan ang hinaharap na dumarating na.

May nakitang error o kailangan ng pagwawasto? Ipaalam sa amin.