Keďže dátová veda sa stáva sofistikovanejšou a spotrebitelia čoraz viac požadujú personalizovanejšiu zákaznícku skúsenosť, umelá inteligencia je nástroj, ktorý pomáha podnikom lepšie porozumieť svojim zákazníkom a publiku. Ale aj keď má AI všetok potenciál na svete, tento plný potenciál sa nemusí nikdy realizovať, ak nedokážeme prísť na to, ako riešiť etické výzvy, ktoré zostávajú. Ako sa táto technológia vyvíja, jednou z otázok, ktorú by mali mať na pamäti všetci lídri, ktorí sa snažia implementovať stratégiu umelej inteligencie, je, ako maximalizovať využitie umelej inteligencie v rámci podniku etickým a zodpovedným spôsobom. Na implementáciu a škálovanie schopností umelej inteligencie, ktoré prinášajú pozitívnu návratnosť investícií a zároveň minimalizujú riziko, znižujú zaujatosť a poháňajú umelú inteligenciu k hodnote, by sa organizácie mali riadiť štyrmi zásadami:
1. Pochopte ciele, ciele a riziká
Asi pred siedmimi rokmi organizácia vydala to, čo nazvali "hype cyklus pre vznikajúce technológie", predpovedajúc technológie, ktoré v nasledujúcom desaťročí zmenia spoločnosť a podnikanie. Umelá inteligencia je jednou z týchto technológií. Zverejnenie správy podnietilo spoločnosti, aby sa snažili dokázať analytikom a investorom, že sú zdatní v oblasti umelej inteligencie, a mnohé z nich začínajú uplatňovať stratégie umelej inteligencie na svoje obchodné modely. Niekedy sa však tieto stratégie ukážu ako zle vykonávané a môžu sa použiť len ako dodatočná myšlienka k existujúcim analytickým alebo číselným cieľom. Je to preto, že podniky nemajú jasnú predstavu o obchodnom probléme, ktorý hľadajú, aby AI vyriešila. Implementuje sa len 10 % modelov AI a ML vyvinutých spoločnosťami. Umelá inteligencia zaostáva za historickým nesúladom medzi daným podnikom a dátovými vedcami, ktorí môžu použiť umelú inteligenciu na vyriešenie problému. S rastúcou zrelosťou údajov však spoločnosti začali integrovať prekladačov údajov do rôznych hodnotových reťazcov, ako napríklad marketingové obchodné potreby na zisťovanie a transformáciu výsledkov. Preto je zastrešujúcim princípom vývoja etickej stratégie umelej inteligencie pochopenie všetkých cieľov, cieľov a rizík a potom vytvorenie decentralizovaného prístupu k umelej inteligencii v rámci podniku.
2. Riešenie predsudkov a diskriminácie
Veľké aj malé podniky utrpeli poškodenie dobrého mena a zákazníci im nedôverujú, pretože riešenia umelej inteligencie neboli nikdy správne vyvinuté na riešenie zaujatosti. Podniky, ktoré vytvárajú modely umelej inteligencie, musia preto prijať preventívne opatrenia, aby zabezpečili, že ich riešenia nespôsobia škodu. Spôsob, ako to urobiť, je vytvoriť rámec, ktorý zabráni akémukoľvek negatívnemu vplyvu na predpovede algoritmu. Napríklad, ak by spoločnosť chcela lepšie porozumieť sentimentu zákazníkov prostredníctvom prieskumov, napríklad ako nedostatočne zastúpená komunita vníma ich služby, mohla by použiť dátovú vedu na analýzu týchto zákazníckych prieskumov a rozpoznať, že určité percento odpovedí bolo v iných jazykoch ako angličtina, čo je jediný jazyk, ktorému algoritmus umelej inteligencie mohol porozumieť. Na vyriešenie tohto problému môžu dátoví vedci nielen upraviť algoritmus, ale aj začleniť zložité nuansy jazyka. Ak dokážu pochopiť tieto jazykové nuansy a skombinovať umelú inteligenciu s plynulejším jazykom, aby boli tieto závery akčnejšie, podniky budú schopné pochopiť potreby nedostatočne zastúpených komunít na zlepšenie svojich zákazníckych skúseností.
3. Vytvorte celý rad základných údajov
Algoritmy umelej inteligencie sú schopné analyzovať veľké súbory údajov a podniky by mali uprednostniť vývoj rámcov pre dátové štandardy používané a prijímané ich modelmi umelej inteligencie. Na úspešnú implementáciu umelej inteligencie je nevyhnutný holistický, transparentný a vysledovateľný súbor údajov. Umelá inteligencia musí zodpovedať za ľudský zásah. Napríklad slang, skratky, kódové slová a mnoho ďalších slov, ktoré ľudia vyvinuli na základe nepretržitého vývoja, z ktorých každé môže spôsobiť, že sa pokazia vysoko technické algoritmy umelej inteligencie. Modelom umelej inteligencie, ktoré nie sú schopné zvládnuť tieto ľudské nuansy, nakoniec chýba celkový súbor údajov. Je to ako pokúšať sa jazdiť bez spätného zrkadla, s niektorými potrebnými informáciami, ale s nedostatkom kľúčových mŕtvych uhlov. Podniky musia nájsť rovnováhu medzi historickými údajmi a ľudským zásahom, aby modely umelej inteligencie pochopili tieto zložité rozdiely. Kombináciou štruktúrovaných a neštruktúrovaných údajov a školením umelej inteligencie na rozpoznávanie oboch je možné vygenerovať komplexnejší súbor údajov a zlepšiť presnosť predpovedí. Ďalšou výhodou môže byť audit súborov údajov treťou stranou bez zaujatosti a nezrovnalostí.
4. Vyhnite sa "čiernej skrinke" vývoja algoritmov
Prístupy Ak má byť umelá inteligencia etická, musí byť úplne transparentná. Na vývoj stratégií umelej inteligencie, ktoré sú súčasne transparentné, vysvetliteľné a vysvetliteľné, musia spoločnosti otvoriť "čiernu skrinku" kódu, aby pochopili, ako každý uzol v algoritme vyvodzuje závery a interpretuje výsledky. Aj keď to znie jednoducho, dosiahnutie tohto cieľa si vyžaduje robustný technický rámec, ktorý dokáže interpretovať správanie modelu a algoritmu tým, že sa pozrie na základný kód, aby ukázal rôzne čiastkové predpovede, ktoré sa generujú. Podniky sa môžu spoľahnúť na rámce s otvoreným zdrojovým kódom pri hodnotení modelov umelej inteligencie a prania špinavých peňazí vo viacerých dimenziách vrátane:
Analýza funkcií: na posúdenie vplyvu aplikácie nových funkcií na existujúce modely
Analýza uzlov: Vysvetlite podmnožinu predpovedí
Lokálna analýza: Interpretácia jednotlivých predpovedí a zodpovedajúcich funkcií na zlepšenie výsledkov
●Globálna analýza: Poskytuje prehľad zhora nadol o celkovom správaní modelu a kľúčových funkciách. Umelá inteligencia je zložitá technológia s mnohými potenciálnymi nástrahami, ak podniky nie sú opatrné.
Úspešný model umelej inteligencie by mal uprednostňovať etiku od prvého dňa, nie od dodatočnej myšlienky. V priemyselných odvetviach a podnikoch nie je umelá inteligencia univerzálna, ale jedným spoločným menovateľom, ktorý by mal priniesť prelomové objavy, je záväzok k transparentnému a nezaujatému predpovedaniu.