Kadangi duomenų mokslas tampa vis sudėtingesnis, o vartotojai vis labiau reikalauja labiau suasmenintos klientų patirties, dirbtinis intelektas yra įrankis, padedantis įmonėms geriau suprasti savo klientus ir auditorijas. Tačiau net jei dirbtinis intelektas turi visą potencialą pasaulyje, šis potencialas niekada nebus išnaudotas, jei nesugebėsime išsiaiškinti, kaip išspręsti likusius etinius iššūkius. Tobulėjant šiai technologijai, vienas klausimas, kurį turėtų atsiminti visi lyderiai, siekiantys įgyvendinti DI strategiją, yra tai, kaip maksimaliai padidinti DI naudojimą įmonėje etiškai ir atsakingai. Siekdamos įdiegti ir išplėsti dirbtinio intelekto galimybes, kurios duoda teigiamą investicijų grąžą, kartu sumažindamos riziką, sumažindamos šališkumą ir didindamos AI vertę, organizacijos turėtų vadovautis keturiais principais:
1. Suvokti tikslus, uždavinius ir riziką
Maždaug prieš septynerius metus viena organizacija išleido tai, ką jie vadino „kylančių technologijų ažiotažo ciklu“, numatant technologijas, kurios per ateinantį dešimtmetį pakeis visuomenę ir verslą. Dirbtinis intelektas yra viena iš šių technologijų. Ataskaitos paskelbimas paskatino įmones stengtis įrodyti analitikams ir investuotojams, kad jos yra išmanančios dirbtinį intelektą, o daugelis pradeda taikyti dirbtinio intelekto strategijas savo verslo modeliams. Tačiau kartais pasirodo, kad šios strategijos yra prastai įgyvendinamos ir gali būti naudojamos tik kaip esamų analitinių ar skaitinių tikslų pasekmes. Taip yra todėl, kad įmonės neturi aiškaus supratimo apie verslo problemą, kurią ieško dirbtinio intelekto. Įmonių sukurtų AI ir ML modelių įgyvendinama tik 10 procentų. AI atsilieka nuo istorinio atotrūkio tarp aptariamo verslo ir duomenų mokslininkų, kurie gali naudoti AI problemai išspręsti. Tačiau didėjant duomenų brandai, įmonės pradėjo integruoti duomenų vertėjus į skirtingas vertės grandines, pavyzdžiui, rinkodaros verslui reikia atrasti ir transformuoti rezultatus. Štai kodėl pagrindinis etinės AI strategijos kūrimo principas yra suprasti visus tikslus, uždavinius ir riziką, o tada įmonėje sukurti decentralizuotą požiūrį į AI.
2. Kovos su išankstiniu nusistatymu ir diskriminacija
Didelės ir mažos įmonės patyrė žalą reputacijai, o klientai jomis nepasitiki, nes dirbtinio intelekto sprendimai niekada nebuvo tinkamai sukurti siekiant pašalinti šališkumą. Taigi AI modelius kuriančios įmonės turi imtis prevencinių priemonių, kad užtikrintų, jog jų sprendimai nepadarytų žalos. Būdas tai padaryti – sukurti sistemą, kad būtų išvengta bet kokio neigiamo poveikio algoritmo prognozėms. Pavyzdžiui, jei įmonė norėtų geriau suprasti klientų nuotaikas atlikdama apklausas, pvz., kaip nepakankamai atstovaujama bendruomenė suvokia jų paslaugas, ji gali naudoti duomenų mokslą, kad išnagrinėtų šias klientų apklausas ir pripažintų, kad tam tikra procentinė dalis atsakymų buvo pateikta kitomis kalbomis nei anglų, vienintelė kalba, kurią AI algoritmas galėjo suprasti. Norėdami išspręsti šią problemą, duomenų mokslininkai gali ne tik modifikuoti algoritmą, bet ir įtraukti sudėtingus kalbos niuansus. Jei jie supras šiuos kalbinius niuansus ir derins dirbtinį intelektą su sklandesne kalba, kad šios išvados būtų veiksmingesnės, įmonės galės suprasti nepakankamai atstovaujamų bendruomenių poreikius, kad pagerintų savo klientų patirtį.
3. Sukurkite visą pagrindinių duomenų spektrą
Dirbtinio intelekto algoritmai gali analizuoti didelius duomenų rinkinius, o įmonės turėtų teikti pirmenybę duomenų standartų, naudojamų ir perimamų jų AI modelių, sistemoms kurti. Norint sėkmingai įgyvendinti AI, būtinas holistinis, skaidrus ir atsekamas duomenų rinkinys. AI turi atsižvelgti į žmogaus įsikišimą. Tokie kaip slengas, santrumpos, kodiniai žodžiai ir daugelis kitų žodžių, kuriuos žmonės sukūrė remdamiesi nuolatine evoliucija, dėl kurių kiekvienas gali suklysti labai techniniuose dirbtinio intelekto algoritmuose. AI modeliams, kurie negali susidoroti su šiais žmogiškaisiais niuansais, trūksta bendro duomenų rinkinio. Tai tarsi bandymas važiuoti be galinio vaizdo veidrodėlio, kai reikia informacijos, bet trūksta pagrindinių aklųjų zonų. Įmonės turi rasti pusiausvyrą tarp istorinių duomenų ir žmogaus įsikišimo, kad AI modeliai suprastų šiuos sudėtingus skirtumus. Sujungus struktūrizuotus ir nestruktūrizuotus duomenis ir mokant AI atpažinti abu, galima sukurti išsamesnį duomenų rinkinį ir pagerinti prognozių tikslumą. Be to, trečiosios šalies duomenų rinkinių auditas gali būti papildoma nauda, be šališkumo ir neatitikimų.
4. Venkite algoritmų kūrimo „juodosios dėžės“.
Metodai Kad dirbtinis intelektas būtų etiškas, jis turi būti visiškai skaidrus. Siekdamos sukurti DI strategijas, kurios tuo pat metu būtų skaidrios, paaiškinamos ir paaiškinamos, įmonės turi atidaryti kodo „juodąją dėžę“, kad suprastų, kaip kiekvienas algoritmo mazgas daro išvadas ir interpretuoja rezultatus. Nors tai skamba paprastai, norint tai pasiekti, reikia tvirtos techninės sistemos, kuri gali interpretuoti modelio ir algoritmo elgseną žiūrint į pagrindinį kodą, kad būtų parodytos skirtingos generuojamos antrinės prognozės. Įmonės gali pasikliauti atvirojo kodo sistemomis, kad įvertintų AI ir ML modelius įvairiais aspektais, įskaitant:
Funkcijų analizė: įvertinti naujų funkcijų taikymo esamiems modeliams poveikį
Mazgo analizė: paaiškinkite numatymo poaibį
Vietinė analizė: interpretuokite atskirus prognozes ir atitikimo funkcijas, kad pagerintumėte rezultatus
●Visuotinė analizė: pateikiama bendro modelio veikimo ir pagrindinių funkcijų apžvalga iš viršaus į apačią. Dirbtinis intelektas yra sudėtinga technologija, turinti daug galimų spąstų, jei įmonės nebus atsargios.
Sėkmingas dirbtinio intelekto modelis turėtų teikti pirmenybę etikai nuo pat pirmos dienos, o ne vėliau. Visose pramonės šakose ir įmonėse dirbtinis intelektas nėra universalus, tačiau vienas bendras vardiklis, kuris turėtų padaryti perversmą, yra įsipareigojimas skaidriai ir nešališkai prognozuoti.