Kako znanost o podacima postaje sofisticiranija, a potrošači sve više zahtijevaju personaliziranije korisničko iskustvo, AI je alat koji pomaže tvrtkama da bolje razumiju svoje kupce i publiku. Ali čak i ako umjetna inteligencija ima sav potencijal na svijetu, taj puni potencijal možda nikada neće biti realiziran ako ne možemo shvatiti kako odgovoriti na etičke izazove koji ostaju. Kako se ova tehnologija razvija, jedno pitanje koje bi trebali imati na umu svi čelnici koji žele implementirati strategiju umjetne inteligencije jest kako maksimalno povećati korištenje umjetne inteligencije unutar poduzeća na etičan i odgovoran način. Za implementaciju i skaliranje sposobnosti umjetne inteligencije koje daju pozitivan povrat ulaganja, uz minimiziranje rizika, smanjenje pristranosti i dovođenje umjetne inteligencije do vrijednosti, organizacije bi trebale slijediti četiri načela:
1. Razumjeti ciljeve, zadatke i rizike
Prije otprilike sedam godina, jedna je organizacija objavila ono što su nazvali "hipe ciklus za nove tehnologije", predviđajući tehnologije koje će transformirati društvo i poslovanje tijekom sljedećeg desetljeća. Umjetna inteligencija jedna je od tih tehnologija. Objava izvješća potaknula je tvrtke da se trude dokazati analitičarima i investitorima da su vješte u AI-ju, a mnoge počinju primjenjivati strategije AI-ja u svojim poslovnim modelima. Međutim, ponekad se ove strategije pokažu kao loše provedene i mogu se koristiti samo kao naknadna misao za postojeće analitičke ili numeričke ciljeve. To je zato što tvrtke nemaju jasno razumijevanje poslovnog problema za čije rješavanje traže AI. Implementirano je samo 10 posto AI i ML modela koje su razvile tvrtke. AI zaostaje za povijesnim prekidom veze između dotičnog poslovanja i znanstvenika koji se bave podacima koji mogu koristiti AI za rješavanje problema. Međutim, kako je zrelost podataka rasla, tvrtke su počele integrirati prevoditelje podataka u različite lance vrijednosti, kao što su potrebe marketinškog poslovanja za otkrivanje i transformaciju rezultata. Zato je sveobuhvatno načelo razvoja etičke strategije umjetne inteligencije razumijevanje svih ciljeva i rizika, a zatim stvaranje decentraliziranog pristupa umjetnoj inteligenciji unutar poduzeća.
2. Rješavanje predrasuda i diskriminacije
Velike i male tvrtke pretrpjele su reputaciju i korisnici im ne vjeruju jer rješenja umjetne inteligencije nikada nisu pravilno razvijena za rješavanje pristranosti. Stoga tvrtke koje stvaraju AI modele moraju poduzeti preventivne mjere kako bi osigurale da njihova rješenja ne uzrokuju štetu. Način da se to učini jest stvoriti okvir za sprječavanje bilo kakvog negativnog utjecaja na predviđanja algoritma. Na primjer, ako tvrtka želi bolje razumjeti mišljenje kupaca putem anketa, kao što je to kako nedovoljno zastupljena zajednica doživljava njihove usluge, mogla bi upotrijebiti podatkovnu znanost za analizu tih anketa kupaca i prepoznati da je neki postotak odgovora bio na jezicima koji nisu engleski, jedini jezik koji bi algoritam umjetne inteligencije mogao razumjeti. Kako bi riješili ovaj problem, znanstvenici koji se bave podacima mogu ne samo modificirati algoritam, već i ugraditi složene nijanse jezika. Ako mogu razumjeti ove jezične nijanse i kombinirati umjetnu inteligenciju s tečnijim jezikom kako bi ovi zaključci bili djelotvorniji, tvrtke će moći razumjeti potrebe podzastupljenih zajednica kako bi poboljšale svoje korisničko iskustvo.
3. Razviti cijeli niz osnovnih podataka
Algoritmi umjetne inteligencije sposobni su analizirati velike skupove podataka, a tvrtke bi trebale dati prioritet razvoju okvira za standarde podataka koje koriste i unose njihovi modeli umjetne inteligencije. Za uspješnu implementaciju umjetne inteligencije ključan je holistički, transparentan skup podataka koji se može pratiti. 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, a svaka od njih može dovesti do kvara visoko tehničkih algoritama umjetne inteligencije. Modeli umjetne inteligencije koji se ne mogu nositi s tim ljudskim nijansama na kraju nemaju cjelokupni skup podataka. To je kao da pokušavate voziti bez retrovizora, s nekim potrebnim informacijama, ali nedostatkom ključnih mrtvih kutova. Tvrtke moraju pronaći ravnotežu između povijesnih podataka i ljudske intervencije kako bi modeli umjetne inteligencije razumjeli te složene razlike. Kombiniranjem strukturiranih i nestrukturiranih podataka i obukom umjetne inteligencije da prepozna oboje, može se generirati sveobuhvatniji skup podataka i poboljšati točnost predviđanja. Nadalje, revizija skupova podataka treće strane može biti dodatna prednost, bez pristranosti i odstupanja.
4. Izbjegavajte "crnu kutiju" razvoja algoritama
Pristupi Da bi AI bio etičan, mora biti potpuno transparentan. Za razvoj AI strategija koje su istovremeno transparentne, objašnjive i objašnjive, tvrtke moraju otvoriti "crnu kutiju" koda kako bi razumjele kako svaki čvor u algoritmu donosi zaključke i tumači rezultate. Iako ovo zvuči jednostavno, postizanje toga zahtijeva robustan tehnički okvir koji može interpretirati ponašanje modela i algoritma gledajući temeljni kod kako bi se prikazala različita pod-predviđanja koja se generiraju. Tvrtke se mogu osloniti na okvire otvorenog koda za procjenu AI i ML modela u više dimenzija, uključujući:
Analiza značajki: za procjenu utjecaja primjene novih značajki na postojeće modele
Analiza čvora: Objasnite podskup predviđanja
Lokalna analiza: protumačite pojedinačna predviđanja i značajke podudaranja za poboljšanje rezultata
●Globalna analiza: pruža pregled odozgo prema dolje cjelokupnog ponašanja modela i ključnih značajki. Umjetna inteligencija je složena tehnologija s mnogo potencijalnih zamki ako tvrtke nisu oprezne.
Uspješan model umjetne inteligencije trebao bi dati prioritet etici od prvog dana, a ne naknadnoj pameti. U svim industrijama i poduzećima, umjetna inteligencija nije univerzalna za sve, ali jedan zajednički nazivnik koji bi trebao napraviti napredak je predanost transparentnom i nepristranom predviđanju.