


Comment garantir un déploiement éthique des implémentations de l'IA ?
La croissance significative de l'automatisation et des technologies des machines (telles que l'intelligence artificielle et l'apprentissage automatique) a sans aucun doute apporté de nouvelles dimensions et de nouveaux niveaux de service aux organisations.
L’un des avantages que nous pouvons tous attendre de l’IA est la possibilité d’éliminer les préjugés d’origine humaine et d’améliorer la discrimination à l’égard des groupes minoritaires. Cependant, si elle n’est pas bien gérée, l’IA peut encore renforcer la discrimination en intégrant des biais dans ses algorithmes.
Aujourd'hui, ce sont souvent des machines qui décident si nous sommes admissibles à un prêt hypothécaire ou si nous sommes surveillés par les forces de l'ordre ou les compagnies d'assurance qui cherchent à lutter contre la fraude. Leur influence s'étend même au choix des annonces que vous voyez en ligne, y compris les offres d'emploi pour des emplois bien rémunérés.
Il existe de nombreuses organisations dans lesquelles l'IA dans les systèmes automatisés n'est pas bien documentée ou comprise. Il est temps que la prise de décision automatisée sorte de l’ombre et prenne ses responsabilités.
Lorsque les décisions automatisées ont un impact direct ou indirect sur la vie des gens et que les machines peuvent exercer une discrimination de manière néfaste, les organisations doivent se lever, en prendre note et prendre des mesures pour garantir que l’IA est mise en œuvre de la manière la plus éthique possible.
Première étape
Les entreprises et les organisations gouvernementales doivent s'efforcer d'obtenir le plus haut niveau de protection contre toute technologie de machine qu'elles déploient. Dès le début de tout projet d’automatisation, les organisations doivent mener une évaluation d’impact juridique, privée et éthique pour confirmer que les risques sont pleinement compris et peuvent être atténués de manière satisfaisante. Cela garantit également que la solution la plus appropriée est sélectionnée pour établir un niveau de risque acceptable tout en générant de la valeur.
L'approbation de ces évaluations doit être effectuée par une équipe d'examen objectif multidisciplinaire qui dispose d'un droit de veto sur tous les aspects problématiques du projet, y compris les méthodes de déploiement, les niveaux d'automatisation et les possibilités de recours. Le déploiement doit être un processus collaboratif entre les équipes de données/technologie et les équipes de direction de l'entreprise pour mettre en œuvre les meilleures pratiques éthiques en matière de données et d'analyse.
Déploiement
Certaines recommandations fortes sur les bonnes pratiques en matière de conception et de mise en œuvre de la technologie des machines sont présentées dans le rapport du Médiateur. Néanmoins, nous pensons que toutes les organisations ont l'obligation de prendre en compte au moins les meilleures pratiques suivantes :
- Équité Transparence Non-malfaisance Confidentialité Respect de l'autonomie et de la responsabilité Les considérations éthiques exigent que toute organisation mettant en œuvre une technologie de machine veille à ce qu'elle soit mise en œuvre avec les niveau de précision le plus élevé pour tous les groupes concernés ;
- Il existe un mécanisme pour expliquer toute décision basée sur les résultats du modèle ou du système
- Il existe des processus pour détecter et atténuer les résultats néfastes
- Les gens peuvent donner leur consentement éclairé pour participer ; le processus
- Mettre en place des mécanismes pour contester tout résultat jugé injuste.
Le développement et le déploiement de toute technologie de machine doivent être itératifs, en commençant par un examen éthique de l'exactitude basé sur des données historiques pour garantir des performances cohérentes sur l'ensemble de l'échantillon de population. Si certains groupes obtiennent des résultats nettement moins bons, davantage de données doivent être recherchées pour garantir une représentation adéquate de tous les groupes.
Lorsque des risques de conséquences néfastes sont identifiés, le déploiement doit être tout aussi itératif et prudent, en commençant par une solution humaine dans la boucle pour assurer une surveillance humaine tout en gagnant en confiance dans les performances du modèle ou du système.
Cela ne veut pas dire que le processus décisionnel humain est infaillible. Cela offre simplement la possibilité de comprendre et d’interroger le résultat avant le déploiement. Ce processus doit être effectué avec l'opérateur le plus fiable afin de réduire la possibilité de réintroduire des préjugés humains dans le processus. De plus, toutes les personnes impliquées dans le processus devraient suivre une formation sur les préjugés inconscients.
Une fois en production, la précision et les performances continues de toute technologie de machine doivent être mesurées et surveillées en permanence. Parallèlement aux KPI existants, cette performance doit être déclarable et visible dans toute l'organisation.
Révision
Toute organisation mettant en œuvre une prise de décision algorithmique doit disposer d'un processus d'examen éthique objectif qui inclut des considérations à la fois quantitatives et qualitatives. Les performances du modèle doivent être surveillées par rapport à ces mesures éthiques pour comprendre les anomalies de performance des groupes minoritaires et tout changement de performance au fil du temps. Le modèle peut ensuite être adapté et adapté en continu dans le cadre du processus opérationnel.
Bien que la mise en œuvre puisse sembler intimidante, les organisations doivent améliorer leur compréhension et leur mise en œuvre des considérations éthiques dans leurs projets d’IA et d’apprentissage automatique. Les entreprises doivent adopter une approche « problème-examiner-mesurer-améliorer » pour gérer les performances et l'impact de leurs décisions automatisées afin de garantir des résultats éthiques.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Sujets chauds

Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine

Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.

Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte

Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.

L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes

Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S

L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.

Dans le monde du développement front-end, VSCode est devenu l'outil de choix pour d'innombrables développeurs grâce à ses fonctions puissantes et son riche écosystème de plug-ins. Ces dernières années, avec le développement rapide de la technologie de l'intelligence artificielle, des assistants de code IA sur VSCode ont vu le jour, améliorant considérablement l'efficacité du codage des développeurs. Les assistants de code IA sur VSCode ont poussé comme des champignons après la pluie, améliorant considérablement l'efficacité du codage des développeurs. Il utilise la technologie de l'intelligence artificielle pour analyser intelligemment le code et fournir une complétion précise du code, une correction automatique des erreurs, une vérification grammaticale et d'autres fonctions, ce qui réduit considérablement les erreurs des développeurs et le travail manuel fastidieux pendant le processus de codage. Aujourd'hui, je recommanderai 12 assistants de code d'IA de développement frontal VSCode pour vous aider dans votre parcours de programmation.
