伴隨數(shù)據(jù)科學(xué)變得越來越復(fù)雜，消費者漸漸要求更個性化的客戶體驗，AI是幫助企業(yè)更好地了解客戶和受眾的工具。不過，即使AI擁有世界上所有的潛力，假如我們無法弄清楚怎樣解決仍然存在的道德挑戰(zhàn)，那么這種全部潛力可能永遠無法實現(xiàn)。

伴隨這項技術(shù)的發(fā)展，所有尋求實施AI戰(zhàn)略的領(lǐng)導(dǎo)者都應(yīng)該牢記一個問題，就是怎樣在合乎道德和負責(zé)任的情況下在企業(yè)內(nèi)最大限度地運用AI。

為了實施和擴展能夠帶來正投資回報的AI功能，同時最大限度地降低風(fēng)險、減少偏見并推動AI實現(xiàn)價值，企業(yè)應(yīng)遵循以下四項原則：

1.了解目標(biāo)、目的和風(fēng)險

大約七年前，某組織發(fā)布了他們所謂的“新興技術(shù)的炒作周期”，預(yù)測了將在未來十年改變社會和商業(yè)的技術(shù)。AI是這些技術(shù)中的一項。

這份報告的發(fā)布，促使企業(yè)爭相向分析師和投資者證明自己精通AI，很多企業(yè)開始將AI戰(zhàn)略應(yīng)用到自己的商業(yè)模式中。然則，有時候這些策略被證明執(zhí)行不力，只能作為現(xiàn)有分析或數(shù)字目標(biāo)的事后補充。這是因為企業(yè)沒有清楚地了解他們正在尋找AI來解決的業(yè)務(wù)問題。

企業(yè)開發(fā)的AI和ML模型只有10%被實施。有問題的企業(yè)與可以使用AI解決該問題的數(shù)據(jù)科學(xué)家之間的歷史性脫節(jié)使AI滯后。然則，伴隨數(shù)據(jù)成熟度的提高，企業(yè)已經(jīng)開始將數(shù)據(jù)翻譯器集成到不同的價值鏈中，譬如以發(fā)現(xiàn)和轉(zhuǎn)換結(jié)果的市場營銷業(yè)務(wù)需求。

這就是為什么制定道德AI戰(zhàn)略的首要原則是了解所有目標(biāo)、目的和風(fēng)險，然后在企業(yè)內(nèi)建立一種分散的AI方法。

2.解決偏見歧視問題

由于從未恰當(dāng)?shù)亻_發(fā)出AI解決方案來解決偏見問題，招致大小企業(yè)的聲譽都受到了損害，客戶也不信任它們。所以建立AI模型的企業(yè)必須采取先發(fā)制人的措施，以確保他們的解決方案不會導(dǎo)致傷害。做到這一點的方法是，建立一個框架來防止任何對算法預(yù)測的負面影響。

比如，假如一家公司希望通過調(diào)查更好地了解客戶的情緒，譬如代表性不足的社區(qū)怎樣看待他們的服務(wù)，他們可能會使用數(shù)據(jù)科學(xué)來分析這些客戶調(diào)查，并認識到所發(fā)布的調(diào)查中有一定比例的答復(fù)是非英語語言，這是AI算法可能理解的唯一語言。

為了解決這個問題，數(shù)據(jù)科學(xué)家們不僅可以修改算法，還可以結(jié)合語言的復(fù)雜細微差別。假如能夠理解這些語言上的細微差別，并將AI與更流暢的語言相結(jié)合，使這些結(jié)論更可行，企業(yè)將能夠了解代表性不足的社區(qū)需求，以改善他們的客戶體驗。

3.開發(fā)全方位的基礎(chǔ)數(shù)據(jù)

AI算法能夠分析大量數(shù)據(jù)集，企業(yè)應(yīng)優(yōu)先考慮為其AI模型使用和攝取的數(shù)據(jù)標(biāo)準開發(fā)框架。為了成功實現(xiàn)AI，一個整體的、透明的和可追蹤的數(shù)據(jù)集是必不可少的。

AI必須考慮到人類的干擾。譬如俚語、縮寫、代碼詞，以及更多人類在不斷進化的基礎(chǔ)上發(fā)展出來的詞匯，每一種都可能讓高度技術(shù)的AI算法出錯。無法處理這些人類細微差別的AI模型最終會缺乏整體數(shù)據(jù)集。就像試著在沒有后視鏡的情況下駕駛一樣，雖說擁有一些需要的信息，但缺少關(guān)鍵盲點。

企業(yè)必須找到歷史數(shù)據(jù)和人為干預(yù)之間的平衡，以便讓AI模型了解這些復(fù)雜的區(qū)別。通過將結(jié)構(gòu)化數(shù)據(jù)與非結(jié)構(gòu)化數(shù)據(jù)相結(jié)合，并訓(xùn)練AI識別兩者，可以生成更全面的數(shù)據(jù)集，并提高預(yù)測的準確性。進一步說，第三方對數(shù)據(jù)集的審計可以是一個額外的好處，沒有偏見和差異。

4.避免算法開發(fā)的“黑匣子”方法

要讓AI合乎道德，就需要完全透明。為了制定同時透明、可解釋和可解釋的AI策略，企業(yè)必須打開代碼的“黑匣子”，以了解算法中的每個節(jié)點是怎樣得出結(jié)論和解釋結(jié)果的。

雖說這聽起來很簡單，但要實現(xiàn)這一點需要一個強大的技術(shù)框架，該框架可以通過查看底層代碼來解釋模型和算法行為，以顯示正在生成的不同子預(yù)測。

企業(yè)可以依靠開源框架跨多個維度評估AI和ML模型，囊括：

• 特征分析：以評估將新特征應(yīng)用于現(xiàn)有模型的影響
• 節(jié)點分析：解釋預(yù)測的子集
• 局部分析：解釋個體預(yù)測和匹配特征，從而提高結(jié)果
• 全局分析：提供了一個自上而下的整體模型行為和主要特征的審查

AI是一項復(fù)雜的技術(shù)，假如企業(yè)不小心的話，它會有許多潛在的陷阱。一個成功的AI模型應(yīng)該從第一天開始就優(yōu)先考慮道德問題，而不是事后才考慮。在各個行業(yè)和企業(yè)中，AI不是一刀切的，但應(yīng)該取得突破的一個共同點是致力于透明和公正的預(yù)測。