DocuSign擬用用戶合同數(shù)據(jù)訓練AI，引爭議
據(jù)悉，DocuSign電子合約簽約平臺近期發(fā)布公告，表示將運用顧客提交的各類合同數(shù)據(jù)來訓練內部模型。然而，迅速引發(fā)了公眾關于涉及敏感信息泄露的高度擔憂。
據(jù)了解，DocuSign計劃借助微軟Azure上的OpenAI工具，如GPT技術，以訓練其所謂的“撰寫協(xié)議”模型，并且從用戶提供的大量數(shù)據(jù)中，訓練出專屬的人工智能（AI）模型，但這部分數(shù)據(jù)并無公開之意。
對此，DocuSign發(fā)言人向PCMag明確表態(tài)，只有在得到用戶許可的情況下才會使用合同數(shù)據(jù)進行AI訓練；同時承諾對用戶數(shù)據(jù)進行匿名化處理。
值得注意的是，DocuSign未詳細公布獲取用戶許可的具體方式以及保留這些數(shù)據(jù)的時限。因此，我們將對這一系列問題保持密切關注。
聲明：本文內容及配圖由入駐作者撰寫或者入駐合作網站授權轉載。文章觀點僅代表作者本人，不代表電子發(fā)燒友網立場。文章及其配圖僅供工程師學習之用，如有內容侵權或者其他違規(guī)問題，請聯(lián)系本站處理。
舉報投訴
-
人工智能
+關注
關注
1821文章
50367瀏覽量
267074 -
GPT
+關注
關注
0文章
374瀏覽量
16988 -
OpenAI
+關注
關注
9文章
1252瀏覽量
10296
發(fā)布評論請先 登錄
相關推薦
熱點推薦
AI Ceph 分布式存儲教程資料大模型學習資料2026
。如何構建高性能、高吞吐、高可擴展的 AI 分布式存儲系統(tǒng)，已成為解鎖大模型基建能力的核心科技命題。這不僅關乎數(shù)據(jù)存得下、讀得快，更直接決定了 GPU 集群的利用率與模型訓練的最終效率。
一、 突破 I/O
發(fā)表于 05-01 17:35
[完結15章]Java轉 AI高薪領域必備-從0到1打通生產級AI Agent開發(fā)
必須轉Python”。事實上，在企業(yè)級生產環(huán)境中，Python往往只停留在算法訓練階段，真正讓AI能力落地并產生商業(yè)價值的，必然依賴Java強大的高并發(fā)處理與微服務治理能力。
轉型的第一步，是掌握
發(fā)表于 04-30 13:46
數(shù)據(jù)傳輸拖慢訓練？三維一體調度讓AI任務提速40%
作為AI開發(fā)者，你是否無數(shù)次陷入這樣的困境：訓練千億參數(shù)大模型，數(shù)據(jù)傳輸占了總耗時的60%，GPU空轉等待如同“帶薪摸魚”；跨地域調用算力，公網帶寬瓶頸讓TB級數(shù)據(jù)集傳輸動輒耗時數(shù)天；
ICU-X0201 Hello Chirp示例應用用戶指南
ICU-X0201 Hello Chirp示例應用用戶指南 在嵌入式產品中集成超聲傳感器時，開發(fā)合適的應用程序是關鍵的一環(huán)。InvenSense的ICU-X0201 Hello Chirp示例應用為
一文看懂AI訓練、推理與訓推一體的底層關系
（Inference）。它們就像“學霸的高考備考”和“考試當天的答題表現(xiàn)”，缺一不可。1、什么是AI訓練（Training）？通過大量數(shù)據(jù)訓練模型參數(shù)，使其具備特定
【「AI芯片：科技探索與AGI愿景」閱讀體驗】+AI芯片到AGI芯片
和計算成本。
核心：
MoE模型利用稀疏性驅動結構，通過包含多個專家網絡的稀疏MoE層替換密集層，其中每個專家致力于特定的訓練數(shù)據(jù)或任務的子集，并且一個可訓練的門控機制動態(tài)地將輸入標記分配給這些專家,從而
發(fā)表于 09-18 15:31
【「AI芯片：科技探索與AGI愿景」閱讀體驗】+AI的未來：提升算力還是智力
持續(xù)發(fā)展體現(xiàn)在：
1、收益遞減
大模型的基礎的需要極大的算力，這首先源于昂貴的高性能AI芯片，然后是寶貴的電力、水等與環(huán)境相關的資源。
收益遞減體現(xiàn)在：
①模型大小
②訓練數(shù)據(jù)量
③訓練
發(fā)表于 09-14 14:04
模板驅動 無需訓練數(shù)據(jù) SmartDP解決小樣本AI算法模型開發(fā)難題
算法作為軟實力，其水平直接影響著目標檢測識別的能力。兩年前，慧視光電推出了零基礎的基于yolo系列算法架構的AI算法開發(fā)平臺SpeedDP，此平臺能夠通過數(shù)據(jù)驅動模型訓練，實現(xiàn)算法從0到1的開發(fā)
【Sipeed MaixCAM Pro開發(fā)板試用體驗】基于MaixCAM-Pro的AI生成圖像鑒別系統(tǒng)
的音樂會”
4. 模型訓練
在maixHub,將采集的數(shù)據(jù)直接上傳到平臺，根據(jù)平臺介紹進行訓練模型
5. 模型測試
真實繪本測試
訓練集的畫家作品測試
5. 結論
本項目成
發(fā)表于 08-21 13:59
睿海光電以高效交付與廣泛兼容助力AI數(shù)據(jù)中心800G光模塊升級
引領AI時代網絡變革：睿海光電的核心競爭力
在AI時代，數(shù)據(jù)中心正經歷從傳統(tǒng)架構向AI工廠與AI云的轉型。
發(fā)表于 08-13 19:01
關于NanoEdge AI用于n-Class的問題求解
我想請教一下關于NanoEdge AI用于n-Class的問題。我使用NanoEdge AI的n-Class模式，訓練好模型，設計了3個分類，使用PC端的模擬工具測試過，模型可以正常對數(shù)據(jù)
發(fā)表于 08-11 06:44
ai_cube訓練模型最后部署失敗是什么原因？
ai_cube訓練模型最后部署失敗是什么原因？文件保存路徑里也沒有中文
查看AICube/AI_Cube.log，看看報什么錯？
發(fā)表于 07-30 08:15
嵌入式AI技術漫談：怎么為訓練AI模型采集樣本數(shù)據(jù)
多少數(shù)據(jù)，才能形成合適的樣本集，進而開始訓練模型呢？ 此時，回答“按需提供”或者“先試試看”似乎會變成一句車轱轆話，看似回答了問題，但客戶還是無從下手。 AI數(shù)據(jù)樣本的三個原則 這里，
算力網絡的“神經突觸”：AI互聯(lián)技術如何重構分布式訓練范式
過程中，由于單個AI芯片的算力提升速度無法跟上模型參數(shù)的增長速率，再加上龐大的模型參數(shù)和訓練數(shù)據(jù)，已遠遠超出單個AI芯片甚至單臺服務器的能力范圍。因此，需要將
評論