Како наука о подацима постаје све софистициранија и потрошачи све више захтевају персонализованије корисничко искуство, АИ је алат који помаже предузећима да боље разумеју своје клијенте и публику. Али чак и ако АИ има сав потенцијал света, тај пуни потенцијал можда никада неће бити остварен ако не можемо да схватимо како да се позабавимо етичким изазовима који остају. Како се ова технологија развија, једно питање које треба да имају на уму сви лидери који желе да имплементирају стратегију вештачке интелигенције јесте како максимизирати употребу вештачке интелигенције у предузећу на етички и одговоран начин. Да би имплементирали и скалирали АИ способности које доносе позитиван повраћај улагања, док минимизирају ризик, смањујући пристрасност и доводе АИ до вредности, организације треба да следе четири принципа:
1. Разумети циљеве, циљеве и ризике
Пре отприлике седам година, једна организација је објавила оно што су назвали „циклусом хиперактивности за нове технологије“, предвиђајући технологије које ће трансформисати друштво и пословање у наредној деценији. Вештачка интелигенција је једна од ових технологија. Објављивање извештаја подстакло је компаније да се боре да докажу аналитичарима и инвеститорима да су паметни у вештачкој интелигенцији, а многи почињу да примењују стратегије вештачке интелигенције на своје пословне моделе. Међутим, понекад се ове стратегије покажу као лоше спроведене и могу се користити само као накнадна мисао за постојеће аналитичке или нумеричке циљеве. То је зато што предузећа немају јасно разумевање пословног проблема који траже да АИ реши. Само 10 процената АИ и МЛ модела које су развиле компаније је имплементирано. АИ заостаје за историјском неповезаношћу између предузећа у питању и научника који се баве подацима који могу да користе АИ да реше проблем. Међутим, како је зрелост података порасла, компаније су почеле да интегришу преводиоце података у различите ланце вредности, као што су маркетиншке потребе за откривањем и трансформацијом резултата. Зато је свеобухватни принцип развоја етичке стратегије вештачке интелигенције разумевање свих циљева, задатака и ризика, а затим стварање децентрализованог приступа вештачкој интелигенцији унутар предузећа.
2. Рјешавање предрасуда и дискриминације
Велика и мала предузећа претрпела су репутацију и купци им не верују јер решења вештачке интелигенције никада нису била правилно развијена да би се решила пристрасност. Дакле, компаније које креирају АИ моделе морају предузети превентивне мере како би осигурале да њихова решења не наносе штету. Начин да се то уради је стварање оквира за спречавање било каквог негативног утицаја на предвиђања алгоритма. На пример, ако компанија жели да боље разуме расположење купаца кроз анкете, као што је како недовољно заступљена заједница доживљава њихове услуге, могла би да користи науку о подацима да анализира ове анкете купаца и препозна да је неки проценат одговора био на језицима који нису енглески, једини језик који би алгоритам вештачке интелигенције могао да разуме. Да би решили овај проблем, научници података могу не само да модификују алгоритам, већ и да уграде сложене нијансе језика. Ако могу да разумеју ове језичке нијансе и комбинују вештачку интелигенцију са течнијим језиком како би ови закључци били делотворнији, предузећа ће моћи да разумеју потребе недовољно заступљених заједница да побољшају своје корисничко искуство.
3. Развијте читав низ основних података
Алгоритми вештачке интелигенције су способни да анализирају велике скупове података, а предузећа би требало да дају приоритет развоју оквира за стандарде података које користе и уносе њихови модели вештачке интелигенције. За успешну имплементацију вештачке интелигенције неопходан је холистички, транспарентан и следљив скуп података. АИ мора да узме у обзир људско мешање. Као што су сленг, скраћенице, кодне речи и многе друге речи које су људи развили на основу континуиране еволуције, од којих свака може довести до грешке у високо техничким алгоритмима вештачке интелигенције. Моделима вештачке интелигенције који нису у стању да се изборе са овим људским нијансама на крају недостаје целокупни скуп података. То је као да покушавате да возите без ретровизора, са неким потребним информацијама, али недостатком кључних мртвих углова. Предузећа морају пронаћи равнотежу између историјских података и људске интервенције како би АИ модели разумели ове сложене разлике. Комбиновањем структурираних и неструктурираних података и обуком АИ да препозна обоје, може се генерисати свеобухватнији скуп података и побољшати тачност предвиђања. Даље, ревизија скупова података од стране треће стране може бити додатна предност, без пристрасности и неслагања.
4. Избегавајте „црну кутију“ развоја алгоритма
Приступи Да би АИ била етичка, мора бити потпуно транспарентна. Да би развиле стратегије вештачке интелигенције које су истовремено транспарентне, објашњиве и објашњиве, компаније морају да отворе „црну кутију“ кода да би разумеле како сваки чвор у алгоритму доноси закључке и тумачи резултате. Иако ово звучи једноставно, постизање овога захтева робустан технички оквир који може да интерпретира понашање модела и алгоритама гледајући основни код како би показао различита подпредвиђења која се генеришу. Предузећа се могу ослонити на оквире отвореног кода за процену АИ и МЛ модела у више димензија, укључујући:
Анализа карактеристика: да се процени утицај примене нових карактеристика на постојеће моделе
Анализа чворова: Објасните подскуп предвиђања
Локална анализа: Интерпретирајте појединачна предвиђања и карактеристике подударања да бисте побољшали резултате
●Глобална анализа: Пружа преглед одозго према доле укупног понашања модела и кључних карактеристика. Вештачка интелигенција је сложена технологија са много потенцијалних замки ако предузећа нису опрезна.
Успешан модел вештачке интелигенције треба да даје приоритет етици од првог дана, а не накнадно. У свим индустријама и предузећима, вештачка интелигенција није јединствена за све, али један заједнички именитељ који би требало да направи напредак је посвећеност транспарентном и непристрасном предвиђању.