Künstliche Intelligenz (KI) verändert jede Branche, wobei mehr als ein Drittel der Unternehmen KI mittlerweile in großem Umfang oder in begrenztem Umfang produzieren. Aber wie jede Technologie birgt KI erhebliche wirtschaftliche und soziale Risiken, wie die Verbreitung unethischer Voreingenommenheit, die Verwässerung der Verantwortlichkeit und Verletzungen des Datenschutzes.
Um diese Risiken zu vermeiden und KI verantwortungsvoll einzusetzen, haben sowohl die Regulierungspolitik als auch die Industrie die Verantwortung, Prozesse und Standards für Praktiker und Benutzer zu entwickeln, die mit dieser Technologie arbeiten. Zu diesem Zweck hat das Team des Ethical AI and ML Institute Responsible AI Principles zusammengestellt, um Praktikern die Möglichkeit zu geben, sicherzustellen, dass diese Prinzipien durch Design in die Infrastruktur und Prozesse rund um Produktions-KI und maschinelle Lernsysteme eingebettet werden.
In diesem Artikel werden vier der acht Prinzipien aufgeschlüsselt: Bias-Bewertung, Erklärbarkeit, künstliche Verbesserung und Wiederholbarkeit.
Bias Assessment
In gewissem Sinne sind KI-Modelle von Natur aus voreingenommen, weil sie darauf ausgelegt sind, relevante Antworten unterschiedlich zu behandeln. Denn Intelligenz ist im Kern die Fähigkeit, Muster, die wir in der Welt sehen, zu erkennen und darauf zu reagieren. Bei der Entwicklung von KI-Modellen versuchen wir, diese Fähigkeit genau nachzubilden und ermutigen die KI, Muster in den Daten zu entdecken, in die sie eingespeist wird, und entsprechende Vorurteile zu entwickeln. Beispielsweise wird ein Modell, das Daten zur Proteinchemie untersucht, eine inhärente Tendenz zu Proteinen aufweisen, deren Strukturen sich auf eine bestimmte Weise falten können, und so herausfinden, welche Proteine in relevanten Anwendungsfällen in der Medizin nützlich sind.
Deshalb sollten wir vorsichtig sein, wenn wir uns gegen KI-Voreingenommenheit aussprechen. Wenn es um das Thema Voreingenommenheit in der KI geht, beziehen wir uns im Allgemeinen auf Voreingenommenheit, die eigentlich unerwünscht oder unvernünftig ist, wie beispielsweise Voreingenommenheit, die auf einem geschützten Merkmal wie Rasse, Geschlecht oder nationaler Herkunft basiert.
Aber warum erzeugen KI-Modelle unethische Vorurteile? Die Antwort hängt von den Daten ab, in die sie eingespeist werden. Modelle spiegeln letztendlich die Verzerrungen wider, die in den Trainingsdaten vorhanden sind, die sie vor der Bereitstellung verwendet haben. Wenn die Trainingsdaten also nicht repräsentativ sind oder bereits vorhandene Verzerrungen enthalten, wird das resultierende Modell diese letztendlich widerspiegeln. Wie man in der Informatik sagt: „Müll rein, Müll raus.“
Teams müssen außerdem eine Reihe von Prozessen und Verfahren erstellen, um alle unerwünschten Verzerrungen in Bezug auf die Wirksamkeit der KI-Trainingsdaten, das Training und die Bewertung des Modells selbst sowie den Betriebslebenszyklus des Modells selbst ordnungsgemäß zu identifizieren. Wenn Sie KI einsetzen, ist das eXplainable AI-Framework des Ethical AI and Machine Learning Institute ein gutes Beispiel, auf das wir im Folgenden ausführlicher eingehen.
Erklärbarkeit
Um sicherzustellen, dass das KI-Modell seinen Zweck erfüllt, ist auch die Beteiligung von Experten in relevanten Bereichen wichtig. Diese Personen können Teams dabei helfen, sicherzustellen, dass KI-Modelle die richtigen Leistungsmetriken verwenden und nicht nur Statistiken und genauigkeitsgesteuerte Leistungsmetriken. Es ist hervorzuheben, dass zu den Domänenexperten nicht nur technische Experten, sondern auch Experten in den für den Anwendungsfall relevanten Sozial- und Geisteswissenschaften gehören.
Damit es jedoch effektiv ist, muss auch sichergestellt werden, dass die Vorhersagen des Modells von relevanten Fachexperten interpretiert werden können. Fortgeschrittene KI-Modelle verwenden jedoch häufig hochmoderne Deep-Learning-Techniken, die möglicherweise nicht einfach erklären, warum eine bestimmte Vorhersage getroffen wird.
Um diese Schwierigkeit zu überwinden, neigen Unternehmen dazu, die Interpretierbarkeit des maschinellen Lernens zu erreichen, indem sie eine Vielzahl von Techniken und Tools nutzen, mit denen sich die Vorhersagen von KI-Modellen entschlüsseln lassen.
Nach der Interpretierbarkeit kommt die Operationalisierung von Modellen der künstlichen Intelligenz. Dies ist die Zeit für Untersuchungen und Überwachung durch relevante Interessengruppen. Der Lebenszyklus eines solchen KI-Modells beginnt erst, nachdem es ordnungsgemäß in der Produktion eingesetzt wurde. Sobald ein Modell betriebsbereit ist, kommt es nur noch zu Leistungseinbußen aufgrund von äußerem Druck, unabhängig davon, ob es sich um konzeptionelle Abweichungen oder Änderungen in der Umgebung handelt, in der das Modell ausgeführt wird.
Human Augmentation
Beim Einsatz von KI ist es wichtig, zunächst die aktuellen Anforderungen des ursprünglichen nicht automatisierten Prozesses zu bewerten, einschließlich der Darstellung des Risikos nachteiliger Ergebnisse. Dies ermöglicht ein tieferes Verständnis des Prozesses und hilft dabei, Bereiche zu identifizieren, in denen möglicherweise menschliches Eingreifen erforderlich ist, um das Risiko zu verringern.
Zum Beispiel hat eine KI, die Profisportlern Essenspläne empfiehlt, weitaus weniger Risikofaktoren mit großer Auswirkung als ein KI-Modell, das den Back-End-Kreditgenehmigungsprozess für eine Bank automatisiert, was darauf hindeutet, dass menschliches Eingreifen für Ersteres weniger notwendig sein wird als für Letzteres. Wenn Teams potenzielle Risikopunkte in ihren KI-Workflows identifizieren, können sie die Implementierung eines „Human-Machine-Loop“-Überprüfungsprozesses (HITL) in Betracht ziehen.
HITL stellt sicher, dass es nach der Automatisierung des Prozesses immer noch verschiedene Berührungspunkte gibt, an denen menschliches Eingreifen zur Überprüfung der Ergebnisse erforderlich ist, wodurch es einfacher wird, bei Bedarf Korrekturen vorzunehmen oder Entscheidungen rückgängig zu machen. Dieser Prozess kann ein Team aus technischen Experten und Branchenexperten umfassen (z. B. einen Versicherer für einen Bankkredit oder einen Ernährungsberater für die Essensplanung), um die vom KI-Modell getroffenen Entscheidungen zu bewerten und sicherzustellen, dass sie den Best Practices entsprechen.
Wiederholbarkeit
Reproduzierbarkeit ist die Fähigkeit eines Teams, einen Algorithmus wiederholt auf Datenpunkte auszuführen und jedes Mal die gleichen Ergebnisse zu erzielen. Dies ist eine Kernkomponente verantwortungsvoller KI, da sie von entscheidender Bedeutung ist, um sicherzustellen, dass die vorherigen Vorhersagen des Modells erneut veröffentlicht werden, wenn es zu einem späteren Zeitpunkt erneut ausgeführt wird.
Natürlich ist Reproduzierbarkeit schwierig zu erreichen, hauptsächlich aufgrund der inhärenten Schwierigkeiten künstlicher Intelligenzsysteme. Dies liegt daran, dass die Ausgabe eines KI-Modells abhängig von verschiedenen Kontextumständen variieren kann, wie zum Beispiel:
- Der Code, der zur Berechnung der KI-Interferenz verwendet wird
- Die aus den verwendeten Daten gelernten Gewichte
- Die Umgebung, in der der Code ausgeführt wird, ist die Infrastruktur und die Konfiguration
- der für das Modell bereitgestellten Eingaben und Eingabestrukturen
ein komplexes Problem, insbesondere wenn ein KI-Modell in großem Maßstab bereitgestellt wird und unzählige andere Tools und Frameworks berücksichtigt werden müssen. Dazu müssen die Teams robuste Praktiken entwickeln, um die oben genannten Situationen zu kontrollieren, und Tools implementieren, die zur Verbesserung der Reproduzierbarkeit beitragen.
Wichtige Erkenntnisse
Mit den oben genannten allgemeinen Grundsätzen können Branchen sicherstellen, dass Best Practices für den verantwortungsvollen Einsatz von KI befolgt werden. Die Übernahme solcher Grundsätze ist von entscheidender Bedeutung, um sicherzustellen, dass die KI ihr volles wirtschaftliches Potenzial ausschöpft und gefährdete Gruppen nicht entmachtet, unethische Vorurteile verstärkt oder die Rechenschaftspflicht untergräbt. Stattdessen kann es sich um die Technologie handeln, die wir nutzen können, um Wachstum, Produktivität, Effizienz, Innovation und das Wohl aller voranzutreiben.
Das obige ist der detaillierte Inhalt vonVerantwortungsvollen KI-Einsatz praktizieren: Vier Prinzipien. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
