LinkedIn to platforma społecznościowa skierowana głównie do profesjonalistów. Umożliwia użytkownikom tworzenie cyfrowych życiorysów i CV, nawiązywanie kontaktów zawodowych, poszukiwanie pracy, rekrutowanie pracowników oraz dzielenie się wiedzą i doświadczeniem.
Platformie zarzucono, iż w sierpniu ubiegłego roku wprowadziła nieodczuwalnie zmodyfikowane ustawienie prywatności, które automatycznie zapisywało użytkowników do programu umożliwiającego firmom trzecim wykorzystywanie ich danych osobowych do trenowania sztucznej inteligencji. Dodatkowo LinkedIn oskarżono o ukrywanie tych działań, zmieniając politykę prywatności miesiąc później, wprowadzając zapis, który zezwalał na udostępnianie danych użytkowników w celu szkolenia AI.
Są to fałszywe twierdzenia i nie mają żadnych podstaw – powiedział rzecznik LinkedIn w wywiadzie dla BBC. Firma nie zgadza się z oskarżeniami.
Pozew został wniesiony do sądu federalnego w Kalifornii przez użytkownika LinkedIn Premium oraz innych poszkodowanych w podobnej sytuacji. Firma reprezentująca poszkodowanego domaga się odszkodowania w wysokości 1000 dolarów.
Jak uczy się AI?
Sztuczna inteligencja działa poprzez przetwarzanie dużych ilości danych i poszukiwanie wzorców w tych informacjach. Kluczowym elementem AI jest algorytm, który analizuje dane i podejmuje decyzje na ich podstawie. Najczęściej wykorzystywane są sieci neuronowe, które działają podobnie jak ludzki mózg.
Uczenie AI polega na dostarczaniu jej danych treningowych, które pozwalają jej na rozpoznawanie wzorców. Proces ten nazywa się uczeniem maszynowym (machine learning). Istnieje kilka metod uczenia, w tym nadzorowane, nienadzorowane i przez wzmacnianie.
Rozpoznawanie cech i nagrody
Uczenie nadzorowane to metoda, w której AI uczy się na podstawie danych wejściowych oraz oczekiwanych wyników. Algorytm analizuje dane, dostosowując swoje parametry, aby jak najdokładniej przewidywać rezultaty na podstawie nowych informacji. Przykładem może być rozpoznawanie obrazów, gdzie AI uczy się, które cechy obrazów odpowiadają określonym kategoriom.
Uczenie nienadzorowane polega na tym, iż AI otrzymuje dane, ale bez informacji o oczekiwanych wynikach. Celem jest znalezienie ukrytych wzorców i struktur w danych. Przykładem może być grupowanie danych, np. segmentacja klientów na podstawie ich zachowań zakupowych.
Uczenie przez wzmacnianie to proces, w którym AI uczy się na podstawie nagród i kar. Algorytm podejmuje decyzje, a za dobre decyzje otrzymuje nagrody, a za złe – kary. Z czasem AI staje się coraz lepsza w podejmowaniu decyzji, by maksymalizować swoje nagrody. Przykładem może być nauka gry komputerowej, gdzie AI poprawia swoje umiejętności, ucząc się na podstawie wyników swoich działań.
