


Expertenmeinung: KI ohne Aufsicht führt zu ethischer Voreingenommenheit
Transparenz spielt oft eine Schlüsselrolle bei ethischen Geschäftsproblemen – je mehr Informationen wir haben, desto einfacher ist es, zu bestimmen, welche Ergebnisse akzeptabel und welche inakzeptabel sind. Wenn die Finanzen falsch ausgerichtet sind, wer hat dann den Buchhaltungsfehler begangen? Wer ist für den Schutz der Daten im Falle eines Verstoßes verantwortlich und handelt er korrekt?
Aber was passiert, wenn wir nach der eindeutigen Ursache eines Fehlers oder Problems suchen und niemanden finden können? Hier wirft künstliche Intelligenz einzigartige ethische Überlegungen auf.
Künstliche Intelligenz zeigt großes Potenzial in Organisationen, ist aber immer noch eine Lösung auf der Suche nach einem Problem. Hierbei handelt es sich um ein missverstandenes Konzept, und praktische Anwendungen müssen in Unternehmen noch vollständig umgesetzt werden. In Verbindung mit der Tatsache, dass es vielen Unternehmen an Budget, Talent und Vision mangelt, um KI wirklich transformativ einzusetzen, ist die KI noch weit von der kritischen Masse entfernt und anfällig für Missbrauch.
Aber nur weil KI im Geschäftsalltag möglicherweise nicht besonders sichtbar ist, heißt das nicht, dass sie in Ihrem Unternehmen keine Rolle spielt. Wie bei vielen anderen ethischen Dilemmata in der Wirtschaft geschehen ethische Fehler bei der künstlichen Intelligenz oft im Verborgenen. Ob beabsichtigt oder nicht, die Folgen von KI-Projekten oder -Anwendungen, die ethische Grenzen überschreiten, können albtraumhaft sein. Der Schlüssel zur Vermeidung ethischer Fehler in der KI liegt darin, von Anfang an eine Corporate Governance für das Projekt festzulegen.
Aufbau von KI mit Transparenz und Vertrauen
Mittlerweile kennen wir alle beliebte Beispiele für fehlgeschlagene KI. Seifenspender, die bei dunkelhäutigen Kunden nicht richtig funktionieren, Pulsoximeter, die bei Weißen genauer sind, und sogar Algorithmen, die vorhersagen, ob Kriminelle wieder ins Gefängnis kommen, sind allesamt künstliche Intelligenz (wohl unbeabsichtigt).
Diese Situationen werden nicht nur schlechte Schlagzeilen und Gegenreaktionen in den sozialen Medien hervorrufen, sondern auch legitimere KI-Anwendungsfälle untergraben, die weiterhin mit Misstrauen betrachtet werden, wenn die Technologie weiterhin mit Misstrauen betrachtet wird zu erreichen. Allein im Gesundheitswesen hat KI beispielsweise das Potenzial, die Krebsdiagnose zu verbessern und Patienten mit hohem Risiko für eine Wiedereinweisung auf zusätzliche Unterstützung hinzuweisen. Wenn wir nicht lernen, das Vertrauen der Menschen in die KI aufzubauen, werden wir die Vorteile dieser leistungsstarken Lösungen nicht voll ausschöpfen können.
Wenn ich mit Kollegen und Führungskräften über KI spreche, habe ich von Anfang an die Idee der Transparenz und Governance bei KI-Bemühungen unterstützt. Genauer gesagt, hier sind meine Vorschläge:
1. Ethische KI kann nicht im luftleeren Raum stattfinden.
Wenn KI-Anwendungen nicht richtig implementiert werden, können sie erhebliche Folgen haben. Dies geschieht häufig, wenn eine einzelne Abteilung oder ein einzelnes IT-Team unbeaufsichtigt mit KI-gesteuerten Prozessen experimentiert. Ist sich das Team der ethischen Implikationen bewusst, die auftreten könnten, wenn ihr Experiment fehlschlägt? Entspricht die Bereitstellung den bestehenden Datenaufbewahrungs- und Zugriffsrichtlinien des Unternehmens? Ohne Aufsicht ist es schwierig, diese Fragen zu beantworten.
Und ohne Governance kann es schwieriger sein, die Stakeholder zusammenzubringen, die erforderlich sind, um einen ethischen Verstoß zu korrigieren, falls er doch auftritt. Aufsicht sollte nicht als Hindernis für Innovationen angesehen werden, sondern als notwendige Kontrolle, um sicherzustellen, dass KI innerhalb bestimmter ethischer Grenzen funktioniert. Die Aufsicht sollte letztendlich dem Chief Data Officer in der Organisation obliegen, zu der sie gehören, oder dem Chief Information Officer, wenn die CDO-Rolle nicht vorhanden ist.
2. Haben Sie immer einen Plan
Die schlimmsten Schlagzeilen, die wir über fehlgeschlagene KI-Projekte sehen, haben normalerweise eines gemeinsam: dass die Unternehmen darin schiefgehen. Nicht bereit, Fragen zu beantworten oder Entscheidungen zu erklären. Supervision kann dieses Problem lösen. Wenn auf den höchsten Ebenen eines Unternehmens ein Verständnis für KI und eine gesunde Philosophie vorhanden sind, ist es weniger wahrscheinlich, dass es von Problemen überrascht wird. Viele klassische Beispiele für KI-Voreingenommenheit können durch mehr Geduld und mehr Tests gemildert werden. Wie beim Händedesinfektionsspender-Beispiel geht die Begeisterung eines Unternehmens, seine neue Technologie vorzuführen, letztendlich nach hinten los. Weitere Tests könnten diese Tendenz aufdecken, bevor das Produkt öffentlich veröffentlicht wird. Darüber hinaus muss jede KI-Anwendung von Anfang an streng überprüft werden. Aufgrund der Komplexität und des ungewissen Potenzials von KI muss diese strategisch und sorgfältig eingesetzt werden.
4. Erwägen Sie Überwachungsfunktionen mit künstlicher Intelligenz
Um die Privatsphäre der Kunden zu schützen, investieren Finanzinstitute erhebliche Ressourcen in die Verwaltung des Zugriffs auf sensible Dateien. Ihr Aktenteam kategorisiert Vermögenswerte sorgfältig und baut eine Infrastruktur auf, um sicherzustellen, dass nur die richtige Jobrolle und Abteilung jedes einzelne sehen kann. Diese Struktur kann als Vorlage für den Aufbau der KI-Governance-Funktion einer Organisation dienen. Ein engagiertes Team kann die potenziellen positiven oder negativen Auswirkungen einer KI-Anwendung abschätzen und bestimmen, wie oft und von wem ihre Ergebnisse überprüft werden müssen.
Für Unternehmen, die eine digitale Revolution anstreben, ist das Experimentieren mit künstlicher Intelligenz ein wichtiger nächster Schritt. Es befreit menschliche Mitarbeiter von alltäglichen Aufgaben und ermöglicht die Skalierung bestimmter Aktivitäten, wie z. B. der Bildanalyse, auf eine Weise, die zuvor finanziell nicht sinnvoll war. Aber das sollte man nicht auf die leichte Schulter nehmen. KI-Anwendungen müssen sorgfältig und unter angemessener Aufsicht entwickelt werden, um Voreingenommenheit, ethisch fragwürdige Entscheidungen und schlechte Geschäftsergebnisse zu vermeiden. Stellen Sie sicher, dass Ihr Unternehmen über die richtige Schulung für KI-Bemühungen verfügt. Die schwerwiegendsten moralischen Fehler passieren oft an dunklen Orten.
Das obige ist der detaillierte Inhalt vonExpertenmeinung: KI ohne Aufsicht führt zu ethischer Voreingenommenheit. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



Diese Seite berichtete am 27. Juni, dass Jianying eine von FaceMeng Technology, einer Tochtergesellschaft von ByteDance, entwickelte Videobearbeitungssoftware ist, die auf der Douyin-Plattform basiert und grundsätzlich kurze Videoinhalte für Benutzer der Plattform produziert Windows, MacOS und andere Betriebssysteme. Jianying kündigte offiziell die Aktualisierung seines Mitgliedschaftssystems an und führte ein neues SVIP ein, das eine Vielzahl von KI-Schwarztechnologien umfasst, wie z. B. intelligente Übersetzung, intelligente Hervorhebung, intelligente Verpackung, digitale menschliche Synthese usw. Preislich beträgt die monatliche Gebühr für das Clipping von SVIP 79 Yuan, die Jahresgebühr 599 Yuan (Hinweis auf dieser Website: entspricht 49,9 Yuan pro Monat), das fortlaufende Monatsabonnement beträgt 59 Yuan pro Monat und das fortlaufende Jahresabonnement beträgt 499 Yuan pro Jahr (entspricht 41,6 Yuan pro Monat). Darüber hinaus erklärte der Cut-Beamte auch, dass diejenigen, die den ursprünglichen VIP abonniert haben, das Benutzererlebnis verbessern sollen

Verbessern Sie die Produktivität, Effizienz und Genauigkeit der Entwickler, indem Sie eine abrufgestützte Generierung und ein semantisches Gedächtnis in KI-Codierungsassistenten integrieren. Übersetzt aus EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, Autor JanakiramMSV. Obwohl grundlegende KI-Programmierassistenten natürlich hilfreich sind, können sie oft nicht die relevantesten und korrektesten Codevorschläge liefern, da sie auf einem allgemeinen Verständnis der Softwaresprache und den gängigsten Mustern beim Schreiben von Software basieren. Der von diesen Coding-Assistenten generierte Code eignet sich zur Lösung der von ihnen zu lösenden Probleme, entspricht jedoch häufig nicht den Coding-Standards, -Konventionen und -Stilen der einzelnen Teams. Dabei entstehen häufig Vorschläge, die geändert oder verfeinert werden müssen, damit der Code in die Anwendung übernommen wird

Large Language Models (LLMs) werden auf riesigen Textdatenbanken trainiert und erwerben dort große Mengen an realem Wissen. Dieses Wissen wird in ihre Parameter eingebettet und kann dann bei Bedarf genutzt werden. Das Wissen über diese Modelle wird am Ende der Ausbildung „verdinglicht“. Am Ende des Vortrainings hört das Modell tatsächlich auf zu lernen. Richten Sie das Modell aus oder verfeinern Sie es, um zu erfahren, wie Sie dieses Wissen nutzen und natürlicher auf Benutzerfragen reagieren können. Aber manchmal reicht Modellwissen nicht aus, und obwohl das Modell über RAG auf externe Inhalte zugreifen kann, wird es als vorteilhaft angesehen, das Modell durch Feinabstimmung an neue Domänen anzupassen. Diese Feinabstimmung erfolgt mithilfe von Eingaben menschlicher Annotatoren oder anderer LLM-Kreationen, wobei das Modell auf zusätzliches Wissen aus der realen Welt trifft und dieses integriert

Um mehr über AIGC zu erfahren, besuchen Sie bitte: 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou unterscheidet sich von der traditionellen Fragendatenbank, die überall im Internet zu sehen ist erfordert einen Blick über den Tellerrand hinaus. Large Language Models (LLMs) gewinnen in den Bereichen Datenwissenschaft, generative künstliche Intelligenz (GenAI) und künstliche Intelligenz zunehmend an Bedeutung. Diese komplexen Algorithmen verbessern die menschlichen Fähigkeiten, treiben Effizienz und Innovation in vielen Branchen voran und werden zum Schlüssel für Unternehmen, um wettbewerbsfähig zu bleiben. LLM hat ein breites Anwendungsspektrum und kann in Bereichen wie der Verarbeitung natürlicher Sprache, der Textgenerierung, der Spracherkennung und Empfehlungssystemen eingesetzt werden. Durch das Lernen aus großen Datenmengen ist LLM in der Lage, Text zu generieren

Herausgeber | Der Frage-Antwort-Datensatz (QA) von ScienceAI spielt eine entscheidende Rolle bei der Förderung der Forschung zur Verarbeitung natürlicher Sprache (NLP). Hochwertige QS-Datensätze können nicht nur zur Feinabstimmung von Modellen verwendet werden, sondern auch effektiv die Fähigkeiten großer Sprachmodelle (LLMs) bewerten, insbesondere die Fähigkeit, wissenschaftliche Erkenntnisse zu verstehen und zu begründen. Obwohl es derzeit viele wissenschaftliche QS-Datensätze aus den Bereichen Medizin, Chemie, Biologie und anderen Bereichen gibt, weisen diese Datensätze immer noch einige Mängel auf. Erstens ist das Datenformular relativ einfach, die meisten davon sind Multiple-Choice-Fragen. Sie sind leicht auszuwerten, schränken jedoch den Antwortauswahlbereich des Modells ein und können die Fähigkeit des Modells zur Beantwortung wissenschaftlicher Fragen nicht vollständig testen. Im Gegensatz dazu offene Fragen und Antworten

Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist

Herausgeber |. KX Im Bereich der Arzneimittelforschung und -entwicklung ist die genaue und effektive Vorhersage der Bindungsaffinität von Proteinen und Liganden für das Arzneimittelscreening und die Arzneimitteloptimierung von entscheidender Bedeutung. Aktuelle Studien berücksichtigen jedoch nicht die wichtige Rolle molekularer Oberflächeninformationen bei Protein-Ligand-Wechselwirkungen. Auf dieser Grundlage schlugen Forscher der Universität Xiamen ein neuartiges Framework zur multimodalen Merkmalsextraktion (MFE) vor, das erstmals Informationen über Proteinoberfläche, 3D-Struktur und -Sequenz kombiniert und einen Kreuzaufmerksamkeitsmechanismus verwendet, um verschiedene Modalitäten zu vergleichen Ausrichtung. Experimentelle Ergebnisse zeigen, dass diese Methode bei der Vorhersage von Protein-Ligand-Bindungsaffinitäten Spitzenleistungen erbringt. Darüber hinaus belegen Ablationsstudien die Wirksamkeit und Notwendigkeit der Proteinoberflächeninformation und der multimodalen Merkmalsausrichtung innerhalb dieses Rahmens. Verwandte Forschungen beginnen mit „S

Laut Nachrichten dieser Website vom 1. August hat SK Hynix heute (1. August) einen Blogbeitrag veröffentlicht, in dem es ankündigt, dass es am Global Semiconductor Memory Summit FMS2024 teilnehmen wird, der vom 6. bis 8. August in Santa Clara, Kalifornien, USA, stattfindet viele neue Technologien Generation Produkt. Einführung des Future Memory and Storage Summit (FutureMemoryandStorage), früher Flash Memory Summit (FlashMemorySummit), hauptsächlich für NAND-Anbieter, im Zusammenhang mit der zunehmenden Aufmerksamkeit für die Technologie der künstlichen Intelligenz wurde dieses Jahr in Future Memory and Storage Summit (FutureMemoryandStorage) umbenannt Laden Sie DRAM- und Speicheranbieter und viele weitere Akteure ein. Neues Produkt SK Hynix wurde letztes Jahr auf den Markt gebracht
