I takt med att datavetenskapen blir mer sofistikerad och konsumenterna i allt högre grad efterfrågar en mer personlig kundupplevelse är AI ett verktyg som hjälper företag att bättre förstå sina kunder och målgrupper. Men även om AI har all potential i världen kanske den fulla potentialen aldrig realiseras om vi inte kan ta reda på hur vi ska ta itu med de etiska utmaningar som återstår. När denna teknik utvecklas är en fråga som bör hållas i åtanke av alla ledare som vill implementera en AI-strategi hur man maximerar användningen av AI inom företaget på ett etiskt och ansvarsfullt sätt. För att implementera och skala AI-funktioner som ger en positiv avkastning på investeringen, samtidigt som risken minimeras, bias minskas och AI fårs att värderas, bör organisationer följa fyra principer:
1. Förstå mål, mål och risker
För ungefär sju år sedan släppte en organisation vad de kallade "hype-cykeln för ny teknik" och förutspådde de tekniker som skulle förändra samhället och näringslivet under det kommande decenniet. Artificiell intelligens är en av dessa tekniker. Publiceringen av rapporten har fått företag att klättra för att bevisa för analytiker och investerare att de är AI-kunniga, och många börjar tillämpa AI-strategier på sina affärsmodeller. Men ibland visar sig dessa strategier vara dåligt genomförda och kan endast användas som en eftertanke till befintliga analytiska eller numeriska mål. Detta beror på att företag inte har en klar förståelse för det affärsproblem de letar efter AI att lösa. Endast 10% av AI- och ML-modeller som utvecklats av företag implementeras. AI släpar efter den historiska kopplingen mellan verksamheten i fråga och de datavetare som kan använda AI för att lösa problemet. Men i takt med att datamognaden har ökat har företag börjat integrera dataöversättare i olika värdekedjor, till exempel marknadsföringsverksamhetens behov av att upptäcka och omvandla resultat. Det är därför den övergripande principen för att utveckla en etisk AI-strategi är att förstå alla mål, mål och risker och sedan skapa ett decentraliserat tillvägagångssätt för AI inom företaget.
2. Ta itu med fördomar och diskriminering
Stora och små företag har drabbats av ryktesskador och kunderna litar inte på dem eftersom AI-lösningar aldrig har utvecklats ordentligt för att hantera partiskhet. Så företag som skapar AI-modeller måste vidta förebyggande åtgärder för att säkerställa att deras lösningar inte orsakar skada. Sättet att göra detta är att skapa ett ramverk för att förhindra negativ inverkan på algoritmens förutsägelser. Om ett företag till exempel vill förstå kundsentimentet bättre genom undersökningar, till exempel hur en underrepresenterad community uppfattar deras tjänster, kan de använda datavetenskap för att analysera dessa kundundersökningar och inse att vissa A-procent av svaren var på andra språk än engelska, det enda språk som AI-algoritmen möjligen kunde förstå. För att lösa detta problem kan datavetare inte bara ändra algoritmen utan också införliva språkets komplexa nyanser. Om de kan förstå dessa språkliga nyanser och kombinera AI med ett mer flytande språk för att göra dessa slutsatser mer handlingsbara, kommer företag att kunna förstå behoven hos underrepresenterade samhällen för att förbättra sin kundupplevelse.
3. Utveckla ett komplett utbud av grundläggande data
AI-algoritmer kan analysera stora datamängder, och företag bör prioritera att utveckla ramverk för datastandarder som används och matas in av deras AI-modeller. För att framgångsrikt implementera AI är en holistisk, transparent och spårbar datauppsättning avgörande. AI måste ta hänsyn till mänsklig inblandning. Såsom slang, förkortningar, kodord och många fler ord som människor har utvecklat på grundval av kontinuerlig utveckling, som var och en kan få mycket tekniska algoritmer för artificiell intelligens att gå fel. AI-modeller som inte kan hantera dessa mänskliga nyanser saknar den övergripande datauppsättningen. Det är som att försöka köra utan backspegel, med lite nödvändig information, men brist på viktiga blinda fläckar. Företag måste hitta en balans mellan historiska data och mänsklig intervention för att AI-modeller ska förstå dessa komplexa skillnader. Genom att kombinera strukturerade och ostrukturerade data och träna AI för att känna igen båda kan en mer omfattande datauppsättning genereras och noggrannheten i förutsägelser förbättras. Vidare kan tredjepartsgranskning av datamängder vara en extra fördel, fri från partiskhet och avvikelser.
4. Undvik den "svarta lådan" för algoritmutveckling
Tillvägagångssätt För att AI ska vara etiskt måste det vara helt transparent. För att utveckla AI-strategier som samtidigt är transparenta, förklarbara och förklarbara måste företag öppna den "svarta lådan" med kod för att förstå hur varje nod i algoritmen drar slutsatser och tolkar resultat. Även om detta låter enkelt krävs det ett robust tekniskt ramverk som kan tolka modell- och algoritmbeteende genom att titta på den underliggande koden för att visa de olika underförutsägelser som genereras. Företag kan förlita sig på ramverk med öppen källkod för att utvärdera AI- och ML-modeller i flera dimensioner, inklusive:
Funktionsanalys: för att bedöma effekterna av att tillämpa nya funktioner på befintliga modeller
Nodanalys: Förklara en delmängd av förutsägelser
Lokal analys: Tolka enskilda förutsägelser och matchningsfunktioner för att förbättra resultaten
● Global analys: Ger en uppifrån och ner-granskning av det övergripande modellbeteendet och viktiga funktioner. Artificiell intelligens är en komplex teknik med många potentiella fallgropar om företag inte är försiktiga.
En framgångsrik AI-modell bör prioritera etik från dag ett, inte en eftertanke. I alla branscher och företag är AI inte en storlek som passar alla, men en gemensam nämnare som bör göra genombrott är ett åtagande om transparenta och opartiska prognoser.