Etter hvert som datavitenskapen blir mer sofistikert og forbrukerne i økende grad krever en mer personlig kundeopplevelse, er AI et verktøy for å hjelpe bedrifter med å bedre forstå kundene og publikummet deres. Men selv om AI har alt potensialet i verden, vil det fulle potensialet kanskje aldri bli realisert hvis vi ikke kan finne ut hvordan vi skal møte de etiske utfordringene som gjenstår. Etter hvert som denne teknologien utvikler seg, er et spørsmål som bør huskes av alle ledere som søker å implementere en AI-strategi, hvordan man kan maksimere bruken av AI i bedriften på en etisk og ansvarlig måte. For å implementere og skalere AI-evner som gir en positiv avkastning på investeringen, samtidig som risikoen reduseres, reduseres skjevhet og øke verdien av AI, bør organisasjoner følge fire prinsipper:
1. Forstå mål, mål og risikoer
For omtrent syv år siden lanserte en organisasjon det de kalte "hype-syklusen for nye teknologier", og forutså teknologiene som ville transformere samfunnet og næringslivet i løpet av det neste tiåret. Kunstig intelligens er en av disse teknologiene. Utgivelsen av rapporten har fått selskaper til å prøve seg på å bevise overfor analytikere og investorer at de er AI-kyndige, og mange begynner å bruke AI-strategier på sine forretningsmodeller. Noen ganger viser imidlertid disse strategiene seg å være dårlig utført og kan bare brukes som en ettertanke til eksisterende analytiske eller numeriske mål. Dette er fordi virksomheter ikke har en klar forståelse av forretningsproblemet de leter etter AI for å løse. Bare 10 prosent av AI- og ML-modeller utviklet av selskaper er implementert. AI henger etter den historiske koblingen mellom den aktuelle virksomheten og dataforskerne som kan bruke AI til å løse problemet. Etter hvert som datamodenheten har økt, har imidlertid bedrifter begynt å integrere dataoversettere i ulike verdikjeder, som for eksempel markedsføringsbehov for å oppdage og transformere resultater. Det er derfor det overordnede prinsippet for å utvikle en etisk AI-strategi er å forstå alle mål, mål og risikoer, og deretter skape en desentralisert tilnærming til AI i bedriften.
2. Ta tak i fordommer og diskriminering
Store og små bedrifter har fått omdømmeskader, og kunder stoler ikke på dem fordi AI-løsninger aldri har blitt utviklet riktig for å håndtere skjevheter. Så bedrifter som lager AI-modeller må ta forebyggende tiltak for å sikre at løsningene deres ikke forårsaker skade. Måten å gjøre dette på er å lage et rammeverk for å forhindre negativ innvirkning på algoritmens spådommer. For eksempel, hvis et selskap ønsket å bedre forstå kundesentiment gjennom undersøkelser, for eksempel hvordan et underrepresentert fellesskap oppfatter tjenestene deres, kan de bruke datavitenskap til å analysere disse kundeundersøkelsene og innse at en prosentandel av svarene var på andre språk enn engelsk, det eneste språket AI-algoritmen muligens kunne forstå. For å løse dette problemet kan dataforskere ikke bare endre algoritmen, men også innlemme de komplekse nyansene i språket. Hvis de kan forstå disse språklige nyansene og kombinere AI med et mer flytende språk for å gjøre disse konklusjonene mer handlingskraftige, vil bedrifter kunne forstå behovene til underrepresenterte samfunn for å forbedre kundeopplevelsen.
3. Utvikle et komplett spekter av grunnleggende data
AI-algoritmer er i stand til å analysere store datasett, og bedrifter bør prioritere å utvikle rammeverk for datastandarder som brukes og inntas av deres AI-modeller. For å lykkes med implementering av AI er et helhetlig, transparent og sporbart datasett avgjørende. AI må ta hensyn til menneskelig innblanding. Slik som slang, forkortelser, kodeord og mange flere ord som mennesker har utviklet på grunnlag av kontinuerlig evolusjon, som hver kan få svært tekniske kunstig intelligens-algoritmer til å gå galt. AI-modeller som ikke er i stand til å håndtere disse menneskelige nyansene ender opp med å mangle det overordnede datasettet. Det er som å prøve å kjøre uten bakspeil, med noe nødvendig informasjon, men mangel på viktige blindsoner. Bedrifter må finne en balanse mellom historiske data og menneskelig intervensjon for at AI-modeller skal forstå disse komplekse forskjellene. Ved å kombinere strukturerte og ustrukturerte data og trene AI for å gjenkjenne begge, kan et mer omfattende datasett genereres og nøyaktigheten til spådommer forbedres. Videre kan tredjepartsrevisjon av datasett være en ekstra fordel, fri for skjevheter og avvik.
4. Unngå den "svarte boksen" for algoritmeutvikling
Tilnærminger For at AI skal være etisk, må den være helt gjennomsiktig. For å utvikle AI-strategier som samtidig er transparente, forklarbare og forklarbare, må bedrifter åpne den "svarte boksen" med kode for å forstå hvordan hver node i algoritmen trekker konklusjoner og tolker resultater. Selv om dette høres enkelt ut, krever å oppnå dette et robust teknisk rammeverk som kan tolke modell- og algoritmeoppførsel ved å se på den underliggende koden for å vise de forskjellige underprediksjonene som genereres. Bedrifter kan stole på åpen kildekode-rammeverk for å evaluere AI- og ML-modeller på tvers av flere dimensjoner, inkludert:
Funksjonsanalyse: for å vurdere virkningen av å bruke nye funksjoner på eksisterende modeller
Nodeanalyse: Forklar en undergruppe av spådommer
Lokal analyse: Tolk individuelle spådommer og matchende funksjoner for å forbedre resultatene
●Global analyse: Gir en ovenfra-og-ned gjennomgang av modellens generelle oppførsel og nøkkelfunksjoner. Kunstig intelligens er en kompleks teknologi med mange potensielle fallgruver hvis virksomheter ikke er forsiktige.
En vellykket AI-modell bør prioritere etikk fra dag én, ikke en ettertanke. På tvers av bransjer og virksomheter er AI ikke én størrelse som passer alle, men en fellesnevner som bør gjøre gjennombrudd er en forpliktelse til transparent og objektiv prognoser.