Machine unlearning is een relatief nieuw concept binnen kunstmatige intelligentie dat draait om het doelbewust laten vergeten van data door een AI-model. Het gaat over controle, privacy en betrouwbaarheid in systemen die steeds meer beslissingen beïnvloeden. We vertellen je er graag meer over.
Wat is machine unlearning?
Machine unlearning betekent dat een AI-model specifieke informatie weer kan vergeten. Het gaat dus niet om het verwijderen van data uit een database maar om het ongedaan maken van de invloed die die data heeft gehad op het leerproces van een model. Als bepaalde gegevens eenmaal zijn gebruikt om een model te trainen zitten ze namelijk verweven in de interne parameters. Machine unlearning probeert die invloed gericht te verwijderen zodat het model zich gedraagt alsof die data nooit is gebruikt.
Dit concept is ontstaan omdat ’traditionele’ machine learning vooral is ingericht op leren en niet op vergeten. In een tijd waarin AI steeds vaker persoonlijke en gevoelige data gebruikt is dat een probleem. Machine unlearning biedt een technische oplossing om controle terug te brengen.
Waarom machine unlearning belangrijk is voor privacy en AVG
Privacy is de belangrijkste reden waarom machine unlearning steeds relevanter wordt. Volgens de AVG heb je het recht om vergeten te worden. Voor organisaties betekent dat dat persoonsgegevens moeten worden verwijderd als je daar om vraagt. Bij AI-modellen is dat ingewikkeld omdat jouw data indirect invloed kan hebben gehad op het gedrag van het model.
Machine unlearning maakt het mogelijk om die invloed terug te draaien zonder het hele model opnieuw te trainen. Daarmee wordt het realistischer om te voldoen aan privacywetgeving en om aan te tonen dat data daadwerkelijk niet meer wordt gebruikt. Dat is cruciaal voor sectoren zoals zorg financiën en onderwijs waar AI steeds vaker wordt ingezet.
Machine unlearning versus opnieuw trainen
Een veelgehoorde oplossing is het model opnieuw trainen zonder de ongewenste data. In de praktijk is dat vaak niet haalbaar. Grote AI-modellen kosten veel tijd geld en rekenkracht om te trainen. Bovendien is het lastig om precies te bepalen welke data welke invloed heeft gehad.
--- Sidenote: Wil je ons vaker zien als je googelt? ---
Voeg TechGirl toe als jouw voorkeursbron en kom ons meer tegen in Google zoekresultaten!
Machine unlearning is efficiënter omdat het zich richt op het neutraliseren van specifieke datapunten of datasets. Het doel is dat de prestaties van het model grotendeels gelijk blijven terwijl de ongewenste kennis verdwijnt. Dat vraagt om slimme algoritmes en nieuwe manieren van modelontwerp.
Hoe machine unlearning technisch werkt
Er bestaan verschillende benaderingen voor machine unlearning. Sommige methodes passen direct de parameters van het model aan. Andere werken met aanvullende correctiemodellen die ongewenste invloeden compenseren. Ook wordt er gewerkt aan meetbare vormen van unlearning waarbij je kunt aantonen dat een model bepaalde data echt niet meer herkent of gebruikt.
Onderzoekers combineren machine unlearning vaak met privacytechnieken zoals differential privacy en federated learning. Differential privacy zorgt ervoor dat individuele gegevens onherkenbaar blijven door gecontroleerde ruis toe te voegen terwijl federated learning AI-modellen laat leren van data die op het apparaat van de gebruiker blijft zonder die data centraal op te slaan. Grote partijen zoals Google en Microsoft doen hier actief onderzoek naar omdat hun AI-systemen wereldwijd aan wetgeving moeten voldoen. Volgens OpenAI leert ChatGPT niet van individuele gesprekken en wordt het model vooraf getraind op grote samengestelde datasets waarbij privacybescherming in het trainingsproces is meegenomen.
Wat machine unlearning betekent voor de toekomst van AI
Machine unlearning dwingt ontwikkelaars om anders naar AI te kijken. Niet alleen slimmer en sneller maar ook controleerbaar en omkeerbaar. In de toekomst zullen AI-systemen waarschijnlijk vanaf het begin zo worden ontworpen dat vergeten mogelijk is.
Voor jou als gebruiker betekent dit meer grip op je data en meer transparantie over hoe AI met informatie omgaat. Machine unlearning is technisch complex en nog volop in ontwikkeling maar het is een onmisbare stap richting betrouwbare en verantwoordelijke AI.
