شخصی سازی پاسخ های ChatGPT با استفاده از تکنیک های حریم خصوصی تفاضلی

شخصی سازی پاسخ های ChatGPT با استفاده از تکنیک های حریم خصوصی تفاضلی

امیر حسین حسنی1

1) گروه مهندسی کامپیوتر، واحد ساری، مؤسسه آموزش عالی هدف، ساری، ایران ایمیل:

کد IOI مقاله : XKBA-AZGDZB
محل انتشار : سومین کنفرانس بین المللی پیشرفت های اخیر در مهندسی، نوآوری و تکنولوژی - بلژیک(eitconf.com/3rd)
چکیده :
    در دنیای دیجیتال امروز، پیشرفت‌های قابل‌توجه در حوزه هوش مصنوعی (AI) و پردازش زبان طبیعی (NLP) تأثیر شگرفی بر نحوه تعامل کاربران با سیستم‌های کامپیوتری گذاشته است. مدل‌های زبانی پیشرفته مانند ChatGPT، با توانایی تولید متون با کیفیت و ارائه پاسخ‌های دقیق، تعاملات کاربران را بهبود بخشیده‌اند. با این حال، این پیشرفت‌ها چالش‌هایی را در زمینه حریم خصوصی و حفاظت از داده‌ها به همراه دارند. یکی از نیازهای کلیدی در این حوزه، شخصی‌سازی پاسخ‌ها برای ارائه تجربه‌ای بهینه به کاربران است. پاسخ‌های شخصی‌سازی‌شده که متناسب با نیازها و ترجیحات کاربران ارائه می‌شوند، می‌توانند رضایت کاربر و کیفیت تعاملات را افزایش دهند. با این حال، جمع‌آوری و تحلیل داده‌های حساس برای این منظور، خطراتی همچون افشای اطلاعات و نقض حریم خصوصی را ایجاد می‌کند.تکنیک‌های حریم خصوصی تفاضلی به‌عنوان راه‌حلی کارآمد برای کاهش این خطرات شناخته شده‌اند. این روش‌ها با افزودن نویز کنترل‌شده به داده‌ها، امکان یادگیری اطلاعات را بدون افشای هویت کاربران فراهم می‌کنند. در این پژوهش، فرآیند شخصی‌سازی پاسخ‌های ChatGPT با استفاده از تکنیک‌های حریم خصوصی تفاضلی بررسی شده است. از جمع‌آوری داده‌های اولیه تا تولید پاسخ‌های شخصی‌سازی‌شده، تمامی مراحل تحلیل و ارزیابی شده‌اند. هدف این مطالعه ارائه مدلی است که ضمن حفظ حریم خصوصی کاربران، به نیازهای شخصی‌سازی‌شده آنان نیز پاسخ دهد. در این پژوهش، عملکرد الگوریتم‌های SVM، Random Forest و XGBoost در دسته‌بندی و تحلیل داده‌ها با استفاده از تکنیک حریم خصوصی تفاضلی ارزیابی شد. مجموعه‌داده‌های Dialogs، AmbigQA و Break برای این مطالعه انتخاب شدند. الگوریتم XGBoost با دقت 97.8٪ و خطای RMSE معادل 0.12 بهترین عملکرد را در مجموعه‌داده Break داشت. الگوریتم SVM در مجموعه‌داده AmbigQA با دقت 95.6٪ و MAE برابر با 0.18 نتایج قابل قبولی ارائه داد. همچنین، Random Forest در مجموعه‌داده Dialogs با دقت 93.4٪ و RMSE معادل 0.15 عملکرد مناسبی نشان داد. برای اعمال حریم خصوصی، نویز لاپلاس و گاوسی به داده‌ها افزوده شد که تأثیر کمی بر دقت مدل‌ها داشت (کاهش کمتر از 2٪). علاوه بر این، بررسی نشان داد که تأثیر نوع نویز بر الگوریتم‌های مختلف متفاوت است؛ نویز گاوسی تأثیر کمتری بر دقت XGBoost داشته، در حالی که نویز لاپلاس برای SVM و Random Forest بهینه‌تر عمل کرد.

کلمات کلیدی : شخصی‌سازی حریم خصوصی تفاضلی مدل‌های زبانی یادگیری ماشین حفاظت از داده‌ها