+8618675556018

Quels principes éthiques l'intelligence artificielle devrait-elle suivre ?

Jul 27, 2022

Alors que la science des données devient plus sophistiquée et que les consommateurs exigent de plus en plus une expérience client plus personnalisée, l'IA est un outil pour aider les entreprises à mieux comprendre leurs clients et leur public. Mais même si l'IA a tout le potentiel du monde, ce plein potentiel pourrait ne jamais être réalisé si nous ne savons pas comment relever les défis éthiques qui subsistent. Au fur et à mesure que cette technologie évolue, une question qui devrait être gardée à l'esprit par tous les dirigeants qui cherchent à mettre en œuvre une stratégie d'IA est de savoir comment maximiser l'utilisation de l'IA au sein de l'entreprise de manière éthique et responsable. Pour mettre en œuvre et faire évoluer des capacités d'IA qui offrent un retour sur investissement positif, tout en minimisant les risques, en réduisant les biais et en valorisant l'IA, les organisations doivent suivre quatre principes :

 

1. Comprendre les buts, les objectifs et les risques

 

Il y a environ sept ans, une organisation a publié ce qu'elle a appelé le "cycle de battage médiatique pour les technologies émergentes", prédisant les technologies qui transformeraient la société et les entreprises au cours de la prochaine décennie. L'intelligence artificielle fait partie de ces technologies. La publication du rapport a incité les entreprises à se démener pour prouver aux analystes et aux investisseurs qu'elles maîtrisent l'IA, et beaucoup commencent à appliquer des stratégies d'IA à leurs modèles commerciaux. Cependant, ces stratégies s'avèrent parfois mal exécutées et ne peuvent être utilisées qu'après coup par rapport aux objectifs analytiques ou numériques existants. En effet, les entreprises n'ont pas une compréhension claire du problème commercial qu'elles attendent de l'IA pour résoudre. Seuls 10 % des modèles d'IA et de ML développés par les entreprises sont mis en œuvre. L'IA est en retard sur la déconnexion historique entre l'entreprise en question et les data scientists qui peuvent utiliser l'IA pour résoudre le problème. Cependant, à mesure que la maturité des données a augmenté, les entreprises ont commencé à intégrer des traducteurs de données dans différentes chaînes de valeur, telles que les besoins des entreprises de marketing pour découvrir et transformer les résultats. C'est pourquoi le principe fondamental du développement d'une stratégie d'IA éthique est de comprendre tous les buts, objectifs et risques, puis de créer une approche décentralisée de l'IA au sein de l'entreprise.

 

2. Lutter contre les préjugés et la discrimination

 

Les entreprises, grandes et petites, ont subi une atteinte à leur réputation et les clients ne leur font pas confiance car les solutions d'IA n'ont jamais été correctement développées pour lutter contre les préjugés. Les entreprises qui créent des modèles d'IA doivent donc prendre des mesures préventives pour s'assurer que leurs solutions ne causent pas de dommages. La façon de le faire est de créer un cadre pour éviter tout impact négatif sur les prédictions de l'algorithme. Par exemple, si une entreprise souhaitait mieux comprendre le sentiment des clients par le biais d'enquêtes, telles que la façon dont une communauté sous-représentée perçoit ses services, elle pourrait utiliser la science des données pour analyser ces enquêtes auprès des clients et reconnaître qu'un pourcentage de réponses étaient dans des langues autres que l'anglais, le seul langage que l'algorithme d'IA pourrait éventuellement comprendre. Pour résoudre ce problème, les data scientists peuvent non seulement modifier l'algorithme, mais aussi intégrer les nuances complexes du langage. S'ils peuvent comprendre ces nuances linguistiques et combiner l'IA avec un langage plus fluide pour rendre ces conclusions plus exploitables, les entreprises seront en mesure de comprendre les besoins des communautés sous-représentées pour améliorer leur expérience client.

 

3. Développer une gamme complète de données de base

 

Les algorithmes d'IA sont capables d'analyser de grands ensembles de données, et les entreprises doivent donner la priorité au développement de cadres pour les normes de données utilisées et ingérées par leurs modèles d'IA. Pour réussir la mise en œuvre de l'IA, un ensemble de données holistique, transparent et traçable est essentiel. L'IA doit tenir compte des interférences humaines. Tels que l'argot, les abréviations, les mots de code et bien d'autres mots que les humains ont développés sur la base d'une évolution continue, chacun pouvant faire mal tourner les algorithmes d'intelligence artificielle hautement techniques. Les modèles d'IA qui sont incapables de gérer ces nuances humaines finissent par manquer de l'ensemble de données global. C'est comme essayer de conduire sans rétroviseur, avec quelques informations nécessaires, mais un manque d'angles morts clés. Les entreprises doivent trouver un équilibre entre les données historiques et l'intervention humaine pour que les modèles d'IA comprennent ces distinctions complexes. En combinant des données structurées et non structurées et en entraînant l'IA à reconnaître les deux, un ensemble de données plus complet peut être généré et la précision des prédictions améliorée. De plus, l'audit par des tiers des ensembles de données peut être un avantage supplémentaire, exempt de biais et de divergences.

 

4. Évitez la "boîte noire" du développement d'algorithmes

 

Approches Pour que l'IA soit éthique, elle doit être totalement transparente. Pour développer des stratégies d'IA à la fois transparentes, explicables et explicables, les entreprises doivent ouvrir la "boîte noire" du code pour comprendre comment chaque nœud de l'algorithme tire des conclusions et interprète les résultats. Bien que cela semble simple, y parvenir nécessite un cadre technique robuste capable d'interpréter le comportement du modèle et de l'algorithme en examinant le code sous-jacent pour montrer les différentes sous-prédictions qui sont générées. Les entreprises peuvent s'appuyer sur des frameworks open source pour évaluer les modèles d'IA et de ML dans plusieurs dimensions, notamment :

 

Analyse des fonctionnalités : pour évaluer l'impact de l'application de nouvelles fonctionnalités sur des modèles existants

 

Analyse de nœud : expliquer un sous-ensemble de prédictions

 

Analyse locale : interprétez les prédictions individuelles et les fonctionnalités de mise en correspondance pour améliorer les résultats

 

●Analyse globale : Fournit une analyse descendante du comportement général du modèle et des fonctionnalités clés. L'intelligence artificielle est une technologie complexe avec de nombreux pièges potentiels si les entreprises ne font pas attention.

 

Un modèle d'IA réussi doit donner la priorité à l'éthique dès le premier jour, et non après coup. Dans tous les secteurs et entreprises, l'IA n'est pas unique, mais un dénominateur commun qui devrait faire des percées est un engagement envers des prévisions transparentes et impartiales.


Envoyez demande