По мере того, как наука о данных становится все более сложной, а потребители все чаще требуют более персонализированного обслуживания клиентов, ИИ становится инструментом, помогающим компаниям лучше понимать своих клиентов и аудиторию. Но даже если у ИИ есть весь потенциал в мире, этот потенциал никогда не будет реализован, если мы не сможем понять, как решать остающиеся этические проблемы. По мере развития этой технологии все руководители, стремящиеся внедрить стратегию ИИ, должны помнить об одном вопросе: как максимизировать использование ИИ на предприятии этичным и ответственным образом. Чтобы внедрить и масштабировать возможности ИИ, обеспечивающие положительную отдачу от инвестиций, сводя к минимуму риски, снижая предвзятость и повышая ценность ИИ, организации должны следовать четырем принципам:
1. Понять цели, задачи и риски
Около семи лет назад одна организация опубликовала то, что они назвали «циклом ажиотажа в отношении новых технологий», предсказав технологии, которые изменят общество и бизнес в течение следующего десятилетия. Искусственный интеллект — одна из таких технологий. Публикация отчета побудила компании изо всех сил пытаться доказать аналитикам и инвесторам, что они разбираются в ИИ, и многие начинают применять стратегии ИИ в своих бизнес-моделях. Однако иногда эти стратегии оказываются плохо реализованными и могут использоваться только в качестве второстепенного значения для существующих аналитических или числовых целей. Это связано с тем, что у предприятий нет четкого понимания бизнес-проблемы, для решения которой им нужен ИИ. Только 10 процентов моделей AI и ML, разработанных компаниями, внедряются. ИИ отстает от исторического разрыва между рассматриваемым бизнесом и учеными, которые могут использовать ИИ для решения проблемы. Однако по мере повышения зрелости данных компании начали интегрировать преобразователи данных в различные цепочки создания стоимости, например, в маркетинговый бизнес, необходимый для обнаружения и преобразования результатов. Вот почему всеобъемлющий принцип разработки этической стратегии ИИ заключается в том, чтобы понять все цели, задачи и риски, а затем создать децентрализованный подход к ИИ внутри предприятия.
2. Борьба с предрассудками и дискриминацией
Крупные и малые предприятия понесли репутационный ущерб, и клиенты не доверяют им, потому что решения ИИ никогда не разрабатывались должным образом для устранения предвзятости. Поэтому предприятия, создающие модели ИИ, должны принимать упреждающие меры, чтобы их решения не причиняли вреда. Способ сделать это — создать основу для предотвращения любого негативного влияния на прогнозы алгоритма. Например, если компания хочет лучше понять настроения клиентов с помощью опросов, например, как недопредставленное сообщество воспринимает их услуги, она может использовать науку о данных для анализа этих опросов клиентов и определить, что некоторый процент ответов был на языках, отличных от английского, единственный язык, который алгоритм ИИ мог понять. Чтобы решить эту проблему, специалисты по данным могут не только изменить алгоритм, но и учесть сложные нюансы языка. Если они смогут понять эти лингвистические нюансы и объединить ИИ с более беглым языком, чтобы сделать эти выводы более действенными, компании смогут понять потребности недостаточно представленных сообществ, чтобы улучшить качество обслуживания своих клиентов.
3. Разработайте полный набор базовых данных
Алгоритмы ИИ способны анализировать большие наборы данных, и компаниям следует уделять первоочередное внимание разработке основ для стандартов данных, используемых и принимаемых их моделями ИИ. Для успешного внедрения ИИ необходим целостный, прозрачный и отслеживаемый набор данных. ИИ должен учитывать вмешательство человека. Такие как сленг, аббревиатуры, кодовые слова и многие другие слова, которые люди разработали на основе непрерывной эволюции, каждое из которых может привести к сбою высокотехнологичных алгоритмов искусственного интеллекта. Модели ИИ, которые не могут справиться с этими человеческими нюансами, в конечном итоге не имеют общего набора данных. Это как пытаться ездить без зеркала заднего вида, с необходимой информацией, но без ключевых слепых зон. Компании должны найти баланс между историческими данными и вмешательством человека, чтобы модели ИИ понимали эти сложные различия. Комбинируя структурированные и неструктурированные данные и обучая ИИ распознавать и то, и другое, можно создать более полный набор данных и повысить точность прогнозов. Кроме того, независимый аудит наборов данных может быть дополнительным преимуществом, свободным от предвзятости и расхождений.
4. Избегайте «черного ящика» разработки алгоритмов
Подходы Чтобы ИИ был этичным, он должен быть полностью прозрачным. Чтобы разработать стратегии ИИ, которые одновременно прозрачны, объяснимы и объяснимы, компании должны открыть «черный ящик» кода, чтобы понять, как каждый узел в алгоритме делает выводы и интерпретирует результаты. Хотя это звучит просто, для этого требуется надежная техническая структура, которая может интерпретировать поведение модели и алгоритма, просматривая базовый код, чтобы показать различные генерируемые подпрогнозы. Предприятия могут полагаться на платформы с открытым исходным кодом для оценки моделей AI и ML по нескольким параметрам, включая:
Анализ функций: для оценки влияния применения новых функций на существующие модели.
Анализ узлов: объясните подмножество прогнозов
Локальный анализ: интерпретируйте отдельные прогнозы и соответствующие функции для улучшения результатов.
●Глобальный анализ: обеспечивает нисходящий обзор общего поведения модели и ключевых функций. Искусственный интеллект — это сложная технология со многими потенциальными ловушками, если бизнес не будет осторожен.
Успешная модель ИИ должна отдавать приоритет этике с первого дня, а не задним числом. В разных отраслях и компаниях ИИ не является универсальным, но один общий знаменатель, который должен сделать прорыв, — это приверженность прозрачному и непредвзятому прогнозированию.