Ker podatkovna znanost postaja bolj sofisticirana in potrošniki vse bolj zahtevajo bolj prilagojeno izkušnjo strank, je AI orodje, ki podjetjem pomaga bolje razumeti svoje stranke in občinstvo. A tudi če ima AI vse potenciale na svetu, se ta popolni potencial morda nikoli ne bo uresničil, če ne bomo ugotovili, kako se lahko odzovemo na etične izzive, ki ostajajo. Ker se ta tehnologija razvija, je eno vprašanje, ki bi ga morali imeti v mislih vsi voditelji, ki si prizadevajo za izvajanje strategije AI, kako čim bolj povečati uporabo AI v podjetju na etičen in odgovoren način. Za izvajanje in razsežnost zmogljivosti AI, ki prinašajo pozitiven donos naložb, hkrati pa zmanjšajo tveganje, zmanjšujejo prizadostnost in spodbujajo AI k vrednosti, morajo organizacije upoštevati štiri načela:
1. Razumevanje ciljev, ciljev in tveganj
Pred približno sedmimi leti je organizacija izdala, kar so poimenovali "hype cikel za nastajajoče tehnologije", ki napoveduje tehnologije, ki bi v naslednjem desetletju preoblikovala družbo in poslovanje. Umetna inteligenca je ena od teh tehnologij. Objava poročila je spodbudil podjetja, da se zmešajo, da bi analitikom in vlagateljem dokazala, da so AI-savni, in mnogi začenjajo uporabljati strategije AI za svoje poslovne modele. Včasih pa se te strategije izkažejo za slaboizvajane in se lahko uporabijo le kot poizkušnja za obstoječe analitične ali številčne cilje. To je zato, ker podjetja nimajo jasnega razumevanja poslovnega problema, ki ga iščejo za rešitev AI. Izvaja se le 10 % modelov AI in ML, ki so jih razvila podjetja. AI zaostaja za zgodovinsko prekinitev povezave med zadevnim poslom in podatkovnimi znanstveniki, ki lahko uporabljajo AI za rešitev problema. Ker pa se je zrelost podatkov povečala, so podjetja začela vključiti prevajalce podatkov v različne vrednostne verige, kot je trženjsko poslovanje, ki mora odkriti in preoblikovati rezultate. Zato je krovno načelo razvoja etične strategije AI razumeti vse cilje, cilje in tveganja, nato pa ustvariti decentralizirani pristop k AI znotraj podjetja.
2. Obravnavanje predsodkov in diskriminacije
Podjetja velika in majhna so utrpela škodo na ugledu, stranke pa jim ne zaupajo, ker rešitve AI še nikoli niso bile ustrezno razvite za obravnavo pridržka. Zato morajo podjetja, ki ustvarjajo modele AI, sprejeti vnaprejšnje ukrepe za zagotovitev, da njihove rešitve ne bodo povzročile škode. Način za to je ustvariti okvir za preprečevanje kakršnega koli negativnega vpliva na napovedi algoritma. Če je podjetje na primer želelo bolje razumeti sentiment strank prek anket, kot je na primer, kako neugledna skupnost dojema svoje storitve, bi lahko uporabila podatkovno znanost za analizo teh anket strank in prepoznala, da je bil nekateri odstotek odzivov v drugih jezikih, kot je angleščina, edini jezik, ki bi ga algoritem AI lahko razumel. Za rešitev tega problema lahko podatkovni znanstveniki ne spremenijo le algoritma, ampak vključijo tudi kompleksne nianče jezika. Če lahko razumejo te jezikovne nitence in združijo AI z bolj tekočem jezikom, da bi bili ti sklepi bolj ukrepovljivi, bodo podjetja lahko razumela potrebe nedvomno zastopanih skupnosti, da bi izboljšala svoje izkušnje s strankami.
3. Razviti celoten nabor osnovnih podatkov
Algoritmi AI so sposobni analizirati velike nabore podatkov, podjetja pa bi morala dati prednost razvojnim okvirom za podatkovne standarde, ki jih uporabljajo in zaužijejo njihovi modeli AI. Za uspešno izvajanje AI je bistven celovit, pregleden in sledljiv nabor podatkov. AI mora predstavljati vmešavanje ljudi. Kot so sleng, kratice, kodne besede in še veliko besed, ki so jih ljudje razvili na podlagi stalne evolucije, od katerih lahko vsak naredi visoko tehnične algoritme umetne inteligence, da gredo narobe. Modeli AI, ki ne zmorejo teh človeških ničk, na koncu nimajo skupnega nabora podatkov. Kot da bi se vozil brez vzglednega ogledala, z nekaj zahtevami informacij, vendar pomanjkanje ključnih slepih lis. Podjetja morajo najti ravnovesje med zgodovinskimi podatki in človeškim posredovanjem, da bodo modeli AI razumeli ta zapletena razlikovanja. Z združevanjem strukturiranih in nestrukturiranih podatkov in usposabljanja AI za prepoznavanje obeh, je mogoče ustvariti celovitejši nabor podatkov in izboljšati natančnost napovedi. Poleg tega je lahko revizija podatkovnih naborov tretjih oseb dodana korist, brez pridržkov in neskladnosti.
4. Izogibajte se "črni škatli" razvoja algoritma
Pristopi, da bi bila AI etična, mora biti popolnoma pregledna. Če želite razviti strategije AI, ki so hkrati pregledne, razločljive in razločljive, morajo podjetja odpreti "črno polje" kode, da bi razumela, kako vsak nod v algoritmu črpa zaključke in razlaga rezultate. Čeprav se to sliši preprosto, je za dosego tega potreben trden tehnični okvir, ki lahko interpretira vedenje modela in algoritma z ogledom kode, ki prikazuje različne pod-napovedi, ki nastajajo. Podjetja se lahko zanašajo na odprtokodne okvire za ocenjevanje modelov AI in ML v več dimenzijah, vključno z:
Analiza značilnosti: oceniti vpliv uporabi novih funkcij za obstoječe modele
Analiza vohuna: pojasnite podskupino napovedi
Lokalna analiza: tolmačenje posameznih napovedi in ujemajoče se funkcije za izboljšanje rezultatov
●Globalna analiza: omogoča pregled celotnega vedenja modela in ključnih funkcij od zgoraj navzdol. Umetna inteligenca je kompleksna tehnologija s številnimi potencialnimi pastmi, če podjetja niso previdna.
Uspešen model AI bi moral dati prednost etiki od 1. Med panogami in podjetji AI ni ena-velikost-fits-all, ampak en skupni imenovalec, ki bi moral preboj je zaveza pregledne in prisebne napovedi.