Alla scoperta delle norme dedicate all’intelligenza artificiale
Sicurezza dei sistemi, qualità dei dati e accuratezza
Continuiamo il nostro percorso nell’ecosistema normativo GDPR-AI Act. Dopo aver esplorato i pilastri di trasparenza e correttezza, oggi ci addentriamo in un altro binomio fondamentale: la sicurezza dei dati e l’affidabilità dei sistemi di Intelligenza Artificiale.
Questi concetti, apparentemente tecnici, sono il vero fondamento della fiducia che possiamo riporre nelle nuove tecnologie.
Sulla carta la sicurezza può sembrare un obbligo scontato, ma nell’era dell’AI assume contorni complessi e decisivi, che richiedono un’attenta integrazione tra le norme del GDPR e i nuovi requisiti dell’AI Act.
Il GDPR: la sicurezza come principio cardine
Il Regolamento Generale sulla Protezione dei Dati (GDPR) ha da tempo stabilito un principio fondamentale: la protezione dei dati personali.
In particolare, l’Articolo 32 del GDPR impone ai titolari e responsabili del trattamento di mettere in atto “misure tecniche e organizzative adeguate per garantire un livello di sicurezza adeguato al rischio” .
Questo significa proteggere i dati da accessi non autorizzati, divulgazione, alterazione, distruzione o anche furti o malfunzionamenti che possano rendere i dati non disponibili.
Nell’era dell’AI, questo principio si amplifica. I sistemi di intelligenza artificiale, soprattutto quelli ad alto rischio, processano enormi quantità di dati, spesso sensibili.
Una falla nella sicurezza non solo esporrebbe informazioni personali, ma potrebbe compromettere l’integrità del sistema stesso, portando a decisioni errate o manipolate.
Pensiamo ad esempio a sistemi AI che influenzano la salute, la sicurezza o l’accesso a servizi essenziali: la loro affidabilità è direttamente legata alla robustezza delle misure di sicurezza adottate sui dati che li alimentano e che essi producono.
L’AI Act: precisione e robustezza per la fiducia
L’AI Act non solo rafforza, ma specifica ulteriormente i requisiti di affidabilità per i sistemi di AI, creando un ponte solido con i principi del GDPR.
Due articoli in particolare meritano la nostra attenzione: l’Articolo 10 sulla qualità dei dati e l’Articolo 15 su accuratezza, robustezza e cybersecurity.
Accuratezza e Qualità dei Dati
L’Articolo 15 dell’AI Act richiede che i sistemi AI ad alto rischio mantengano un livello di accuratezza adeguato (ne abbiamo parlato qui).
Questo requisito si allinea direttamente con il principio di esattezza dei dati del GDPR. Immaginate un sistema AI che valuta le domande di credito: se i suoi output non sono precisi, le conseguenze per gli individui possono essere significative.
Garantire che i sistemi AI producano risultati affidabili e precisi è fondamentale per minimizzare errori che potrebbero ledere i diritti delle persone.
L’Articolo 10 dell’AI Act supporta il principio di accuratezza, richiedendo che i dati utilizzati nei sistemi di AI siano di alta qualità, pertinenti e accurati.
Questo è un passaggio importante: un’AI, per quanto sofisticata, è “intelligente” solo quanto i dati su cui è stata addestrata. Dati di bassa qualità, incompleti o distorti possono portare a bias e decisioni errate, compromettendo l’affidabilità del sistema.
Assicurare la qualità dei dati è quindi il primo passo per un’AI che funzioni correttamente e in modo etico.
Robustezza e Cybersecurity
La disposizione non si limita all’accuratezza, ma estende il concetto di affidabilità anche alla robustezza e alla cyber security dei sistemi.
L’AI deve essere resiliente, capace di resistere a errori, malfunzionamenti o attacchi informatici. Questo include la protezione contro vulnerabilità che potrebbero essere sfruttate per manipolare i risultati o compromettere il sistema.
È qui che la convergenza con l’Articolo 32 del GDPR diventa più evidente: le misure di sicurezza tecniche e organizzative del GDPR sono il terreno fertile su cui fioriscono la robustezza e la sicurezza informatica richieste dall’AI Act, garantendo che i sistemi non siano solo accurati, ma anche protetti da minacce esterne.
Gestione della qualità dei dati e della sicurezza
Per le organizzazioni, tradurre questi principi in azioni concrete significa adottare un approccio proattivo alla gestione dei dati e dei sistemi AI.
- Processi robusti di assicurazione della qualità dei dati: è importante stabilire procedure rigorose per garantire che i dati utilizzati nei sistemi AI siano accurati e affidabili. Questo include audit regolari dei dataset, controlli di validazione per verificare la coerenza e l’integrità dei dati e aggiornamenti costanti per mantenere la loro pertinenza nel tempo.
- Misure di cybersecurity integrate: le strategie di sicurezza non devono essere un “add-on” finale, ma parte integrante del ciclo di vita dello sviluppo e dell’implementazione di ogni sistema AI. Ciò include l’adozione di best practice di cybersecurity, come la crittografia dei dati, la gestione degli accessi e la protezione contro attacchi mirati.
In un mondo sempre più guidato dall’Intelligenza Artificiale, la sicurezza, la qualità dei dati e l’accuratezza non sono solo obblighi normativi, ma veri e propri pilastri su cui costruire fiducia.
Le organizzazioni che investiranno in questi ambiti non solo si conformeranno alle leggi, ma si distingueranno come leader etici e affidabili, riducendo i rischi e creando un vantaggio competitivo significativo.
👾 👾 👾
Ci vediamo la prossima settimana per continuare il nostro viaggio nel mondo dell’AI e delle sue regole.
Se sei interessato, iscriviti! 👾