Оскільки наука про дані стає все більш складною, а споживачі все частіше вимагають більш персоналізованого клієнтського досвіду, AI є інструментом, який допомагає компаніям краще розуміти своїх клієнтів і аудиторію. Але навіть якщо штучний інтелект має весь потенціал у світі, цей потенціал може ніколи не бути реалізованим, якщо ми не зможемо зрозуміти, як вирішити етичні проблеми, які залишаються. Оскільки ця технологія розвивається, одне питання, яке слід пам’ятати всім керівникам, які прагнуть реалізувати стратегію штучного інтелекту, полягає в тому, як максимізувати використання штучного інтелекту на підприємстві в етичний і відповідальний спосіб. Щоб запровадити та масштабувати можливості штучного інтелекту, які забезпечують позитивну віддачу від інвестицій, одночасно мінімізуючи ризики, зменшуючи упередження та сприяючи цінності ШІ, організації повинні дотримуватися чотирьох принципів:
1. Розуміти цілі, завдання та ризики
Близько семи років тому одна організація оприлюднила те, що вони назвали «циклом ажіотажу для нових технологій», прогнозуючи технології, які змінять суспільство та бізнес протягом наступного десятиліття. Штучний інтелект є однією з таких технологій. Оприлюднення звіту спонукало компанії з усіх сил намагатися довести аналітикам та інвесторам, що вони розуміються на штучному інтелекті, і багато хто починає застосовувати стратегії штучного інтелекту у своїх бізнес-моделях. Однак інколи ці стратегії виявляються погано реалізованими, і їх можна використовувати лише як задум щодо існуючих аналітичних чи чисельних цілей. Це пов’язано з тим, що компанії не мають чіткого розуміння бізнес-проблем, для вирішення яких вони шукають ШІ. Впроваджено лише 10 відсотків моделей AI та ML, розроблених компаніями. Штучний інтелект відстає від історичного розриву між відповідним бізнесом і дослідниками даних, які можуть використовувати ШІ для вирішення проблеми. Однак із зростанням зрілості даних компанії почали інтегрувати транслятори даних у різні ланцюжки створення вартості, наприклад маркетинговий бізнес потребує виявлення та трансформації результатів. Ось чому головним принципом розробки етичної стратегії ШІ є розуміння всіх цілей, завдань і ризиків, а потім створення децентралізованого підходу до ШІ на підприємстві.
2. Боротьба з упередженнями та дискримінацією
Великі та малі компанії постраждали від репутації, і клієнти не довіряють їм, оскільки рішення ШІ ніколи не були належним чином розроблені для усунення упередженості. Тому підприємства, які створюють моделі штучного інтелекту, повинні вживати превентивних заходів, щоб їхні рішення не заподіяли шкоди. Спосіб зробити це — створити структуру, щоб запобігти будь-якому негативному впливу на прогнози алгоритму. Наприклад, якщо компанія хоче краще зрозуміти настрої клієнтів за допомогою опитувань, як-от те, як недостатньо представлена спільнота сприймає їхні послуги, вони можуть використовувати наукові дані, щоб проаналізувати ці опитування клієнтів і визнати, що деякий відсоток відповідей були мовами, відмінними від англійської, єдина мова, яку міг зрозуміти алгоритм ШІ. Щоб вирішити цю проблему, дослідники даних можуть не лише модифікувати алгоритм, але й включити складні нюанси мови. Якщо вони зможуть зрозуміти ці лінгвістичні нюанси та поєднати штучний інтелект із більш вільною мовою, щоб зробити ці висновки більш дієвими, компанії зможуть зрозуміти потреби недостатньо представлених спільнот для покращення взаємодії з клієнтами.
3. Розробити повний спектр базових даних
Алгоритми штучного інтелекту здатні аналізувати великі набори даних, і компаніям слід приділяти пріоритет розробці інфраструктур для стандартів даних, які використовуються та приймаються їх моделями штучного інтелекту. Для успішного впровадження ШІ необхідний цілісний, прозорий і відстежуваний набір даних. ШІ повинен враховувати втручання людини. Такі як сленг, абревіатури, кодові слова та багато інших слів, які люди розробили на основі безперервної еволюції, кожне з яких може призвести до збоїв у високотехнічних алгоритмах штучного інтелекту. Моделі штучного інтелекту, які не в змозі впоратися з цими людськими нюансами, зрештою не мають загального набору даних. Це все одно, що намагатися їздити без дзеркала заднього виду, з певною необхідною інформацією, але з відсутністю ключових сліпих зон. Компанії повинні знайти баланс між історичними даними та людським втручанням, щоб моделі ШІ могли зрозуміти ці складні відмінності. Поєднуючи структуровані та неструктуровані дані та навчаючи штучний інтелект розпізнавати обидва, можна створити більш повний набір даних і підвищити точність прогнозів. Крім того, сторонній аудит наборів даних може бути додатковою перевагою, вільним від упередженості та розбіжностей.
4. Уникайте «чорної скриньки» розробки алгоритму
Підходи Щоб штучний інтелект був етичним, він має бути повністю прозорим. Щоб розробити стратегії штучного інтелекту, які є водночас прозорими, зрозумілими та зрозумілими, компанії повинні відкрити «чорний ящик» коду, щоб зрозуміти, як кожен вузол алгоритму робить висновки та інтерпретує результати. Хоча це звучить просто, для досягнення цього потрібна надійна технічна структура, яка може інтерпретувати поведінку моделі та алгоритму, дивлячись на базовий код, щоб показати різні підпрогнози, які генеруються. Підприємства можуть покладатися на фреймворки з відкритим вихідним кодом для оцінки моделей AI та ML у багатьох вимірах, зокрема:
Аналіз функцій: щоб оцінити вплив застосування нових функцій до існуючих моделей
Аналіз вузла: пояснення підмножини передбачень
Локальний аналіз: інтерпретація індивідуальних прогнозів і відповідних функцій для покращення результатів
●Глобальний аналіз: надає низхідний огляд загальної поведінки моделі та ключових функцій. Штучний інтелект – це складна технологія з багатьма потенційними підводними каменями, якщо бізнес не буде обережним.
Успішна модель штучного інтелекту має надавати пріоритет етиці з першого дня, а не пізній думці. Штучний інтелект не є універсальним для всіх галузей і компаній, але один спільний знаменник, який повинен зробити прорив, — це прагнення до прозорого та неупередженого прогнозування.