ככל שמדע הנתונים נעשה מתוחכם יותר והצרכנים דורשים יותר ויותר חווית לקוח מותאמת אישית, AI הוא כלי שעוזר לעסקים להבין טוב יותר את הלקוחות והקהלים שלהם. אבל גם אם ל-AI יש את כל הפוטנציאל שבעולם, ייתכן שהפוטנציאל המלא הזה לעולם לא יתממש אם לא נוכל להבין איך להתמודד עם האתגרים האתיים שנותרו. ככל שהטכנולוגיה הזו מתפתחת, שאלה אחת שצריך לזכור על ידי כל המנהיגים המבקשים ליישם אסטרטגיית AI היא כיצד למקסם את השימוש ב-AI בתוך הארגון בצורה אתית ואחראית. כדי ליישם ולהרחיב יכולות בינה מלאכותית המספקות החזר חיובי על ההשקעה, תוך מזעור סיכונים, הפחתת הטיה והנעת AI לערך, ארגונים צריכים לפעול לפי ארבעה עקרונות:
1. להבין מטרות, יעדים וסיכונים
לפני כשבע שנים, ארגון פרסם את מה שהם כינו "מחזור ההייפ לטכנולוגיות מתפתחות", וחזה את הטכנולוגיות שישנו את החברה והעסקים בעשור הבא. בינה מלאכותית היא אחת מהטכנולוגיות הללו. פרסום הדו"ח גרם לחברות להתאמץ כדי להוכיח לאנליסטים ולמשקיעים שהם מבינים בבינה מלאכותית, ורבים מתחילים ליישם אסטרטגיות בינה מלאכותית על המודלים העסקיים שלהם. עם זאת, לפעמים אסטרטגיות אלו מתבררות כמבוצעות בצורה גרועה ויכולות לשמש רק כמחשבה שלאחר מכן למטרות אנליטיות או מספריות קיימות. הסיבה לכך היא שלעסקים אין הבנה ברורה של הבעיה העסקית שהם מחפשים AI כדי לפתור. רק 10 אחוזים ממודלים של AI ו-ML שפותחו על ידי חברות מיושמים. בינה מלאכותית מפגרת מאחורי הנתק ההיסטורי בין העסק המדובר לבין מדעני הנתונים שיכולים להשתמש בבינה מלאכותית כדי לפתור את הבעיה. עם זאת, ככל שגדלה בשלות הנתונים, חברות החלו לשלב מתרגמי נתונים בשרשרות ערך שונות, כגון צרכי שיווק עסקיים כדי לגלות ולשנות תוצאות. זו הסיבה שעיקרון העל של פיתוח אסטרטגיית AI אתית הוא להבין את כל המטרות, היעדים והסיכונים, ולאחר מכן ליצור גישה מבוזרת ל-AI בתוך הארגון.
2. התייחסות לדעות קדומות ואפליה
עסקים גדולים וקטנים סבלו מנזק מוניטין ולקוחות לא סומכים עליהם מכיוון שפתרונות בינה מלאכותית מעולם לא פותחו כראוי כדי להתמודד עם הטיה. אז עסקים היוצרים מודלים של AI חייבים לנקוט באמצעי מנע כדי להבטיח שהפתרונות שלהם לא יגרמו נזק. הדרך לעשות זאת היא ליצור מסגרת למניעת כל השפעה שלילית על תחזיות האלגוריתם. לדוגמה, אם חברה רוצה להבין טוב יותר את סנטימנט הלקוחות באמצעות סקרים, כגון איך קהילה מיוצגת בתת-מיצוג תופסת את השירותים שלה, היא עשויה להשתמש במדעי הנתונים כדי לנתח את סקרי הלקוחות הללו ולהכיר בכך שאחוז מסוים מהתשובות היה בשפות שאינן אנגלית, השפה היחידה שאלגוריתם AI יכול להבין. כדי לפתור בעיה זו, מדעני נתונים יכולים לא רק לשנות את האלגוריתם, אלא גם לשלב את הניואנסים המורכבים של השפה. אם הם יכולים להבין את הניואנסים הלשוניים הללו ולשלב בינה מלאכותית עם שפה שוטפת יותר כדי להפוך את המסקנות הללו למעשיות יותר, עסקים יוכלו להבין את הצרכים של קהילות שאינן מיוצגות כדי לשפר את חווית הלקוח שלהם.
3. פתח מגוון שלם של נתונים בסיסיים
אלגוריתמי בינה מלאכותית מסוגלים לנתח מערכי נתונים גדולים, ועסקים צריכים לתעדף פיתוח מסגרות לתקני נתונים המשמשים ומובלעים במודלים של AI שלהם. כדי ליישם בהצלחה AI, מערך נתונים הוליסטי, שקוף וניתן למעקב הוא חיוני. בינה מלאכותית חייבת להסביר את ההפרעות האנושיות. כמו סלנג, קיצורים, מילות קוד ועוד מילים רבות שבני אדם פיתחו על בסיס אבולוציה מתמשכת, שכל אחת מהן יכולה לגרום לאלגוריתמים של בינה מלאכותית טכנית להשתבש. מודלים של AI שאינם מסוגלים להתמודד עם הניואנסים האנושיים הללו בסופו של דבר חסרים את מערך הנתונים הכולל. זה כמו לנסות לנהוג בלי מראה אחורית, עם קצת מידע נחוץ, אבל חוסר בנקודות עיוורות. עסקים חייבים למצוא איזון בין נתונים היסטוריים והתערבות אנושית כדי שמודלים של AI יבינו את ההבחנות המורכבות הללו. על ידי שילוב של נתונים מובנים ולא מובנים ואימון AI לזיהוי שניהם, ניתן ליצור מערך נתונים מקיף יותר ולשפר את הדיוק של התחזיות. יתרה מכך, ביקורת צד שלישי של מערכי נתונים יכולה להיות יתרון נוסף, ללא הטיה ואי-התאמות.
4. הימנע מה"קופסה השחורה" של פיתוח אלגוריתמים
גישות כדי שבינה מלאכותית תהיה אתית, היא צריכה להיות שקופה לחלוטין. כדי לפתח אסטרטגיות AI שקופות, ניתנות להסבר וניתנות להסבר בו-זמנית, חברות חייבות לפתוח את "הקופסה השחורה" של הקוד כדי להבין כיצד כל צומת באלגוריתם מסיק מסקנות ומפרש תוצאות. למרות שזה נשמע פשוט, כדי להשיג זאת נדרשת מסגרת טכנית חזקה שיכולה לפרש התנהגות מודל ואלגוריתם על ידי התבוננות בקוד הבסיסי כדי להראות את תחזיות המשנה השונות שנוצרות. עסקים יכולים להסתמך על מסגרות קוד פתוח כדי להעריך מודלים של AI ו-ML על פני מספר ממדים, כולל:
ניתוח תכונות: להעריך את ההשפעה של יישום תכונות חדשות על מודלים קיימים
ניתוח צומת: הסבר תת-קבוצה של תחזיות
ניתוח מקומי: פרש תחזיות בודדות ותכונות התאמת כדי לשפר את התוצאות
● ניתוח גלובלי: מספק סקירה מלמעלה למטה של התנהגות המודל הכוללת ותכונות מפתח. בינה מלאכותית היא טכנולוגיה מורכבת עם הרבה מלכודות פוטנציאליות אם עסקים לא נזהרים.
מודל AI מוצלח צריך לתת עדיפות לאתיקה מהיום הראשון, ולא מחשבה שלאחר מכן. בכל תעשיות ועסקים, בינה מלאכותית אינה מתאימה לכולם, אלא מכנה משותף אחד שאמור ליצור פריצות דרך הוא מחויבות לחיזוי שקוף וחסר פניות.