À medida que a ciência de dados se torna mais sofisticada e os consumidores exigem cada vez mais uma experiência mais personalizada do cliente, a IA é uma ferramenta para ajudar as empresas a entender melhor seus clientes e públicos. Mas mesmo que a IA tenha todo o potencial do mundo, esse potencial total pode nunca ser realizado se não pudermos descobrir como lidar com os desafios éticos que permanecem. À medida que essa tecnologia evolui, uma questão que deve ser mantida em mente por todos os líderes que buscam implementar uma estratégia de IA é como maximizar o uso da IA dentro da empresa de forma ética e responsável. Para implementar e dimensionar os recursos de IA que proporcionam um retorno positivo sobre o investimento, minimizando o risco, reduzindo o viés e levando a IA ao valor, as organizações devem seguir quatro princípios:
1. Entenda metas, objetivos e riscos
Há cerca de sete anos, uma organização lançou o que chamou de "ciclo de hype para tecnologias emergentes", prevendo as tecnologias que transformariam a sociedade e os negócios na próxima década. Inteligência artificial é uma dessas tecnologias. A divulgação do relatório levou as empresas a se esforçarem para provar aos analistas e investidores que são experientes em IA, e muitas estão começando a aplicar estratégias de IA em seus modelos de negócios. No entanto, às vezes essas estratégias se mostram mal executadas e só podem ser utilizadas como uma reflexão posterior aos objetivos analíticos ou numéricos existentes. Isso porque as empresas não têm uma compreensão clara do problema dos negócios que estão procurando a IA para resolver. Apenas 10% dos modelos de IA e ML desenvolvidos pelas empresas são implementados. A IA está ficando para trás da desconexão histórica entre o negócio em questão e os cientistas de dados que podem usar a IA para resolver o problema. No entanto, à medida que a maturidade dos dados aumentou, as empresas começaram a integrar tradutores de dados em diferentes cadeias de valor, como o negócio de marketing precisa descobrir e transformar resultados. É por isso que o princípio geral do desenvolvimento de uma estratégia ética de IA é entender todos os objetivos, objetivos e riscos e, em seguida, criar uma abordagem descentralizada da IA dentro da empresa.
2. Abordar o preconceito e a discriminação
Empresas grandes e pequenas sofreram danos à reputação e os clientes não confiam neles porque as soluções de IA nunca foram adequadamente desenvolvidas para lidar com o viés. Assim, as empresas que criam modelos de IA devem tomar medidas preventivas para garantir que suas soluções não causem danos. A maneira de fazer isso é criar uma estrutura para evitar qualquer impacto negativo nas previsões do algoritmo. Por exemplo, se uma empresa quisesse entender melhor o sentimento dos clientes através de pesquisas, como como uma comunidade sub-representada percebe seus serviços, ela poderia usar a ciência de dados para analisar essas pesquisas de clientes e reconhecer que algumas uma porcentagem de respostas A estava em outros idiomas além do inglês, a única língua que o algoritmo de IA poderia entender. Para resolver esse problema, os cientistas de dados podem não apenas modificar o algoritmo, mas também incorporar as complexas nuances da linguagem. Se eles puderem entender essas nuances linguísticas e combinar a IA com uma linguagem mais fluente para tornar essas conclusões mais acionáveis, as empresas poderão entender as necessidades das comunidades sub-representadas para melhorar sua experiência com o cliente.
3. Desenvolva uma gama completa de dados básicos
Os algoritmos de IA são capazes de analisar grandes conjuntos de dados, e as empresas devem priorizar o desenvolvimento de estruturas para padrões de dados usados e ingeridos por seus modelos de IA. Para implementar com sucesso a IA, um conjunto de dados holístico, transparente e rastreável é essencial. A IA deve responder por interferência humana. Como gírias, abreviaturas, palavras de código e muitas outras palavras que os humanos desenvolveram com base na evolução contínua, cada uma das quais pode fazer algoritmos altamente técnicos de inteligência artificial darem errado. Modelos de IA que são incapazes de lidar com essas nuances humanas acabam sem o conjunto de dados geral. É como tentar dirigir sem um retrovisor, com algumas informações necessárias, mas a falta de pontos cegos chave. As empresas devem encontrar um equilíbrio entre dados históricos e intervenção humana para que os modelos de IA compreendam essas complexas distinções. Combinando dados estruturados e não estruturados e treinando IA para reconhecer ambos, um conjunto de dados mais abrangente pode ser gerado e a precisão das previsões melhorada. Além disso, a auditoria de terceiros dos conjuntos de dados pode ser um benefício adicional, livre de preconceitos e discrepâncias.
4. Evite a "caixa preta" do desenvolvimento de algoritmos
Abordagens Para que a IA seja ética, ela precisa ser completamente transparente. Para desenvolver estratégias de IA simultaneamente transparentes, explicáveis e explicadas, as empresas devem abrir a "caixa preta" de código para entender como cada nó no algoritmo tira conclusões e interpreta resultados. Embora isso pareça simples, conseguir isso requer uma estrutura técnica robusta que pode interpretar o comportamento do modelo e do algoritmo olhando para o código subjacente para mostrar as diferentes sub-previsões que estão sendo geradas. As empresas podem contar com estruturas de código aberto para avaliar modelos de IA e ML em várias dimensões, incluindo:
Análise de recursos: para avaliar o impacto da aplicação de novos recursos aos modelos existentes
Análise de nó: Explique um subconjunto de previsões
Análise local: Interprete previsões individuais e recursos de correspondência para melhorar os resultados
●Análise Global: Fornece uma revisão de cima para baixo do comportamento geral do modelo e das principais características. A inteligência artificial é uma tecnologia complexa com muitas armadilhas potenciais se as empresas não forem cuidadosas.
Um modelo de IA bem sucedido deve priorizar a ética desde o primeiro dia, não uma reflexão posterior. Entre indústrias e empresas, a IA não é de tamanho único, mas um denominador comum que deve fazer avanços é um compromisso com previsões transparentes e imparcial.