Kako nauka o podacima postaje sve sofisticiranija i potrošači sve više zahtijevaju personaliziranije korisničko iskustvo, AI je alat koji pomaže preduzećima da bolje razumiju svoje klijente i publiku. Ali čak i ako AI ima sav potencijal ovog svijeta, taj puni potencijal možda nikada neće biti ostvaren ako ne možemo shvatiti kako se pozabaviti etičkim izazovima koji ostaju. Kako se ova tehnologija razvija, jedno pitanje koje treba da imaju na umu svi lideri koji žele implementirati AI strategiju je kako maksimizirati korištenje AI unutar poduzeća na etički i odgovoran način. Da bi implementirali i skalirali AI sposobnosti koje donose pozitivan povrat ulaganja, dok minimiziraju rizik, smanjujući pristrasnost i dovode AI do vrijednosti, organizacije bi trebale slijediti četiri principa:
1. Razumjeti ciljeve, ciljeve i rizike
Prije otprilike sedam godina, jedna organizacija je objavila ono što su nazvali "ciklusom hiperaktivnosti za nove tehnologije", predviđajući tehnologije koje će transformirati društvo i poslovanje u narednoj deceniji. Umjetna inteligencija je jedna od ovih tehnologija. Objavljivanje izvještaja navelo je kompanije da se bore da dokažu analitičarima i investitorima da poznaju umjetnu inteligenciju, a mnoge počinju primjenjivati AI strategije na svoje poslovne modele. Međutim, ponekad se ove strategije pokažu kao loše izvršene i mogu se koristiti samo kao naknadna misao za postojeće analitičke ili numeričke ciljeve. To je zato što kompanije nemaju jasno razumijevanje poslovnog problema koji traže AI za rješavanje. Samo 10 posto AI i ML modela koje su razvile kompanije je implementirano. AI zaostaje za istorijskom nepovezanošću između dotičnog poslovanja i naučnika koji se bave podacima koji mogu koristiti AI za rješavanje problema. Međutim, kako je zrelost podataka porasla, kompanije su počele integrirati prevodioce podataka u različite lance vrijednosti, kao što su marketinške potrebe za otkrivanjem i transformacijom rezultata. Zato je sveobuhvatni princip razvoja etičke strategije veštačke inteligencije razumevanje svih ciljeva, zadataka i rizika, a zatim stvaranje decentralizovanog pristupa veštačkoj inteligenciji unutar preduzeća.
2. Rješavanje predrasuda i diskriminacije
Velike i male kompanije pretrpjele su reputaciju i kupci im ne vjeruju jer rješenja umjetne inteligencije nikada nisu bila pravilno razvijena za rješavanje pristrasnosti. Stoga kompanije koje kreiraju AI modele moraju poduzeti preventivne mjere kako bi osigurale da njihova rješenja ne prouzrokuju štetu. Način da se to uradi je kreiranje okvira za sprečavanje bilo kakvog negativnog uticaja na predviđanja algoritma. Na primjer, ako kompanija želi bolje razumjeti raspoloženje kupaca putem anketa, kao što je to kako nedovoljno zastupljena zajednica doživljava njihove usluge, mogla bi koristiti nauku o podacima za analizu ovih anketa kupaca i prepoznati da je neki A postotak odgovora bio na jezicima koji nisu engleski, jedini jezik koji bi AI algoritam mogao razumjeti. Da bi riješili ovaj problem, naučnici podataka mogu ne samo da modifikuju algoritam, već i da ugrade složene nijanse jezika. Ako mogu razumjeti ove jezičke nijanse i kombinirati AI sa tečnijim jezikom kako bi ovi zaključci bili djelotvorniji, kompanije će moći razumjeti potrebe nedovoljno zastupljenih zajednica kako bi poboljšale svoje korisničko iskustvo.
3. Razvijte cijeli niz osnovnih podataka
AI algoritmi su sposobni da analiziraju velike skupove podataka, a preduzeća bi trebalo da daju prioritet razvoju okvira za standarde podataka koje koriste i unose njihovi modeli veštačke inteligencije. Za uspješnu implementaciju AI neophodan je holistički, transparentan i sljedljiv skup podataka. AI mora uzeti u obzir ljudsko uplitanje. Kao što su sleng, kratice, kodne riječi i mnoge druge riječi koje su ljudi razvili na temelju kontinuirane evolucije, od kojih svaka može dovesti do toga da visoko tehnički algoritmi umjetne inteligencije pođu po zlu. Modeli umjetne inteligencije koji nisu u stanju podnijeti ove ljudske nijanse na kraju nemaju cjelokupni skup podataka. To je kao da pokušavate da vozite bez retrovizora, sa nekim potrebnim informacijama, ali nedostatkom ključnih mrtvih uglova. Kompanije moraju pronaći ravnotežu između historijskih podataka i ljudske intervencije kako bi AI modeli razumjeli ove složene razlike. Kombinacijom strukturiranih i nestrukturiranih podataka i obukom AI da prepozna oboje, može se generirati sveobuhvatniji skup podataka i poboljšati tačnost predviđanja. Nadalje, revizija skupova podataka od strane treće strane može biti dodatna prednost, bez pristrasnosti i neslaganja.
4. Izbjegnite "crnu kutiju" razvoja algoritma
Pristupi Da bi AI bila etička, mora biti potpuno transparentna. Da bi razvile strategije umjetne inteligencije koje su istovremeno transparentne, objašnjive i objašnjive, kompanije moraju otvoriti "crnu kutiju" koda kako bi razumjele kako svaki čvor u algoritmu donosi zaključke i interpretira rezultate. Iako ovo zvuči jednostavno, postizanje ovoga zahtijeva robustan tehnički okvir koji može interpretirati ponašanje modela i algoritma gledajući osnovni kod kako bi pokazao različita podpredviđenja koja se generiraju. Preduzeća se mogu osloniti na okvire otvorenog koda za procjenu AI i ML modela u više dimenzija, uključujući:
Analiza karakteristika: da se proceni uticaj primene novih karakteristika na postojeće modele
Analiza čvorova: Objasnite podskup predviđanja
Lokalna analiza: Interpretirajte pojedinačna predviđanja i karakteristike podudaranja kako biste poboljšali rezultate
●Globalna analiza: Pruža pregled odozgo prema dolje ukupnog ponašanja modela i ključnih karakteristika. Umjetna inteligencija je složena tehnologija s mnogo potencijalnih zamki ako kompanije ne budu oprezne.
Uspješan AI model bi trebao dati prednost etici od prvog dana, a ne naknadno. U svim industrijama i preduzećima, AI nije jedinstvena za sve, ali jedan zajednički imenitelj koji bi trebao napraviti napredak je posvećenost transparentnom i nepristrasnom predviđanju.