Ahogy az adattudomány egyre kifinomultabbá válik, és a fogyasztók egyre inkább személyre szabottabb ügyfélélményt igényelnek, a mesterséges intelligencia olyan eszköz, amely segít a vállalkozásoknak jobban megérteni ügyfeleiket és közönségüket. De még ha a mesterséges intelligencia rendelkezik is minden potenciállal a világon, ez a teljes potenciál soha nem valósulhat meg, ha nem tudjuk kitalálni, hogyan kezeljük a fennmaradó etikai kihívásokat. Ahogy ez a technológia fejlődik, az egyik kérdés, amelyet szem előtt kell tartania minden olyan vezetőnek, aki AI-stratégiát kíván bevezetni, az, hogy hogyan lehet etikusan és felelősségteljesen maximalizálni a mesterséges intelligencia használatát a vállalaton belül. Az olyan AI-képességek megvalósításához és méretezéséhez, amelyek pozitív megtérülést biztosítanak, miközben minimalizálják a kockázatot, csökkentik az elfogultságot és értéket teremtenek, a szervezeteknek négy alapelvet kell követniük:
1. Értse meg a célokat, célokat és kockázatokat
Körülbelül hét évvel ezelőtt egy szervezet kiadta az úgynevezett "hype-ciklust a feltörekvő technológiák számára", megjósolva azokat a technológiákat, amelyek a következő évtizedben átalakítják a társadalmat és az üzleti életet. A mesterséges intelligencia az egyik ilyen technológia. A jelentés kiadása arra késztette a vállalatokat, hogy megpróbálják bebizonyítani az elemzőknek és a befektetőknek, hogy hozzáértenek a mesterséges intelligenciához, és sokan kezdik alkalmazni az AI-stratégiákat üzleti modelljeikre. Néha azonban ezek a stratégiák rosszul végrehajtottnak bizonyulnak, és csak a meglévő elemzési vagy numerikus célok utógondolataként használhatók fel. Ennek az az oka, hogy a vállalkozások nem értik egyértelműen azt az üzleti problémát, amelynek megoldására mesterséges intelligenciát keresnek. A vállalatok által kifejlesztett AI- és ML-modelleknek csak 10%-át valósítják meg. A mesterséges intelligencia lemaradásban van a szóban forgó vállalkozás és az adattudósok közötti történelmi kapcsolattól, akik mesterséges intelligencia segítségével oldhatják meg a problémát. Az adatok érettségének növekedésével azonban a vállalatok elkezdték integrálni az adatfordítókat a különböző értékláncokba, például az eredmények felfedezéséhez és átalakításához szükséges marketingtevékenységekbe. Ezért az etikus AI-stratégia kidolgozásának átfogó elve az, hogy megértsük az összes célt, célkitűzést és kockázatot, majd decentralizált megközelítést hozzunk létre a mesterséges intelligenciához a vállalaton belül.
2. Az előítéletek és a megkülönböztetés kezelése
A nagy és kicsi vállalkozások hírnévkárosodást szenvedtek el, és az ügyfelek nem bíznak bennük, mert az AI-megoldásokat soha nem fejlesztették ki megfelelően az elfogultság kezelésére. Ezért az AI-modelleket létrehozó vállalkozásoknak megelőző intézkedéseket kell hozniuk annak biztosítása érdekében, hogy megoldásaik ne okozzanak kárt. Ennek módja egy olyan keretrendszer létrehozása, amely megakadályozza az algoritmus előrejelzéseire gyakorolt negatív hatásokat. Ha például egy vállalat jobban meg akarta érteni az ügyfelek hangulatát felméréseken keresztül, például azt, hogy egy alulreprezentált közösség hogyan érzékeli a szolgáltatásait, akkor az adattudomány segítségével elemezheti ezeket az ügyfélfelméréseket, és felismerheti, hogy a válaszok egy százaléka az angoltól eltérő nyelven volt, az egyetlen nyelv, amelyet az AI algoritmus esetleg megérthet. A probléma megoldásához az adattudósok nemcsak módosíthatják az algoritmust, hanem beépíthetik a nyelv összetett árnyalatait is. Ha megértik ezeket a nyelvi árnyalatokat, és kombinálják a mesterséges intelligenciát a folyékonyabb nyelvezettel, hogy ezeket a következtetéseket végrehajthatóbbá tegyék, a vállalkozások képesek lesznek megérteni az alulreprezentált közösségek igényeit az ügyfélélmény javítása érdekében.
3. Az alapadatok teljes körének kidolgozása
Az AI-algoritmusok képesek nagy adatkészletek elemzésére, és a vállalkozásoknak prioritásként kell kezelniük az AI-modelljeik által használt és betöltött adatszabványok fejlesztési keretrendszereit. A mesterséges intelligencia sikeres megvalósításához elengedhetetlen a holisztikus, átlátható és nyomon követhető adatkészlet. A mesterséges intelligenciának figyelembe kell vennie az emberi beavatkozást. Mint például a szleng, a rövidítések, a kódszavak és még sok más szó, amelyet az emberek a folyamatos evolúció alapján fejlesztettek ki, és amelyek mindegyike elronthatja az erősen technikai mesterséges intelligencia algoritmusokat. Azok az AI-modellek, amelyek nem tudják kezelni ezeket az emberi árnyalatokat, végül hiányoznak a teljes adatkészletből. Ez olyan, mintha visszapillantó tükör nélkül próbálnánk vezetni, néhány szükséges információval, de a kulcsfontosságú holtterek hiányával. A vállalkozásoknak meg kell találniuk az egyensúlyt a múltbeli adatok és az emberi beavatkozás között ahhoz, hogy az MI-modellek megértsék ezeket az összetett megkülönböztetéseket. A strukturált és strukturálatlan adatok kombinálásával és a mesterséges intelligencia mindkettő felismerésére való betanításával átfogóbb adatkészlet hozható létre, és javítható az előrejelzések pontossága. Ezenkívül az adatkészletek harmadik féltől származó naplózása további előnyt jelenthet, torzítástól és eltérésektől mentesen.
4. Kerülje az algoritmusfejlesztés "fekete dobozát"
Megközelítések Ahhoz, hogy a mesterséges intelligencia etikus legyen, teljesen átláthatónak kell lennie. Az egyszerre átlátható, megmagyarázható és megmagyarázható AI-stratégiák kidolgozásához a vállalatoknak meg kell nyitniuk a kód "fekete dobozát", hogy megértsék, hogyan vonnak le következtetéseket az algoritmus egyes csomópontjai és értelmezik az eredményeket. Bár ez egyszerűnek hangzik, ennek eléréséhez robusztus technikai keretrendszerre van szükség, amely képes értelmezni a modell és az algoritmus viselkedését azáltal, hogy megnézi a mögöttes kódot, hogy megmutassa a generált különböző rész-előrejelzéseket. A vállalkozások nyílt forráskódú keretrendszerekre támaszkodhatnak az AI- és ML-modellek több dimenzióban történő kiértékeléséhez, többek között a következőkhöz:
Funkcióelemzés: az új funkciók meglévő modellekre való alkalmazásának hatásának értékelése
Csomópontelemzés: Az előrejelzések egy részhalmazának magyarázata
Helyi elemzés: Értelmezze az egyes előrejelzéseket és az egyező funkciókat az eredmények javítása érdekében
●Globális elemzés: Felülről lefelé történő áttekintést nyújt a modell általános viselkedéséről és a legfontosabb jellemzőkről. A mesterséges intelligencia összetett technológia, amely számos lehetséges buktatóval jár, ha a vállalkozások nem óvatosak.
A sikeres AI-modellnek az első naptól kezdve az etikát kell előtérbe helyeznie, nem pedig egy utógondolatot. Az iparágakban és a vállalkozásokban a mesterséges intelligencia nem egy kaptafára készült, hanem az áttörést hozó közös nevező az átlátható és elfogulatlan előrejelzés iránti elkötelezettség.