The role of AI in U.S. consumer privacy: Developing new concepts for CCPA and GLBA compliance in smart services
Notice bibliographique
Résumé
The rapid adoption of artificial intelligence (AI) in U.S. consumer services has transformed customer interactions, operational efficiency, and service delivery. However, this technological shift presents complex challenges in maintaining compliance with data privacy regulations, such as the California Consumer Privacy Act (CCPA) and the Gramm-Leach-Bliley Act (GLBA). This paper explores the role of AI in enhancing smart services while safeguarding consumer privacy, highlighting key risks, compliance challenges, and regulatory gaps. A conceptual model is proposed to guide organizations in integrating privacy-by-design strategies, emphasizing transparency, consent management, and ethical AI principles. The paper also discusses emerging technologies and best practices that support privacy protection while leveraging AI-driven insights. Collaborative efforts between regulators and technology providers are recommended to foster innovation while ensuring robust data privacy. The findings provide practical strategies for balancing technological advancement with regulatory compliance, offering insights for policymakers, industry stakeholders, and service providers. Keywords: Artificial Intelligence, Consumer Privacy, Data Protection, Compliance Strategies, Privacy Regulations, Smart Services.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,042 | 0,048 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,007 | 0,048 |
| Communication savante | 0,020 | 0,024 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,011 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».