Miten yritykset voivat luoda vastuullisen ja avoimen tekoälynpohjaisen

Eric Paternosterin, Infosys Public Servicesin toimitusjohtajan kirjoittama

Google-emoyhtiö Alphabetin toimitusjohtaja Sundar Pichai on kuvannut tekoälykeksintöjä ”merkittävimmiksi kuin tulen tai sähkön”, ja COVID-19 on tuonut tälle teknologialle uuden kiireen. Tekoälysovellukset ovat nyt vahvasti valokeilassa, parantaen COVID-hoitoja, jäljittäen mahdollisia COVID-kantajia ja käyttäen chatboteja reaaliajassa verkkokauppojen asiakkaiden tarpeisiin. Nämä sovellukset ovat osoittaneet, että tekoäly parantaa yrityksen kestävyyttä ja hyödyttää laajemmin yhteiskuntaa.

Niinpä ”pilvipohjainen” -buumin rinnalla viimeisen neljänneksen buumisana saattaa olla ”tekoälynpohjainen muutos”, josta alan asiantuntijat uskovat, että se pitää paikkansa jopa COVID-19:n jälkeen. Monille yrityksille tekoälyn lupaama alhaisemmat kustannukset (esim. toimitusketjun algoritmit, jotka sopivat tarjonnan ja kysynnän) ja tuottavuuden merkittävät parannukset (esim. pankkien asiakirjojen ja henkilöllisyyden todennus reaaliajassa) ovat liian hyviä jätettäviksi huomiotta.

Miksi tekoälynpohjainen muutos?

Tekoälynpohjaisessa muutoksessa yritys käyttää tekoälyä ”pohjoisnapana”, pyrkien käyttämään sitä älykkäästi ja vaikuttamaan päätöksiin, jotka tehdään ihmisillä, prosesseilla ja järjestelmillä laajassa mittakaavassa. Se säätää organisaatiota muuttuvien dynamiikkojen mukaan työntekijöiden, kumppaneiden ja asiakkaiden välillä. Tämä mahdollistaa nopean muodonmuutoksen ja muuttuvien tarpeiden tyytyväisen toteuttamisen, luoden samalla pitkän aikavälin kilpailuetua.

mutta ei kaikki yritykset ole samalla tasolla tekoälynkypsyydessä. On olemassa sellaisia, jotka voidaan kutsua ”perinteiseksi tekoälyryhmäksi” (H1). Nämä yritykset, joilla on vähemmän kokemusta ja investointeja, käyttävät yleensä klassisia algoritmeja, kuten naivi Bayes (joka on ollut olemassa 250 vuotta) tai satunnainen metsä (jonka kehitti Tin Kam Ho vuonna 1995), täydentämään sirpaleista älykkyyttä olemassa olevissa järjestelmissä. Tällaiset tekoälyn käytöt perustuvat tiukasti sääntöihin ja ovat joustamattomia, eivätkä ne pysty yleistämään löytämiensä sääntöjen perusteella. Sitten on ”syväoppimisen ryhmä” (H2), joka omaksuu monimutkaisempaa tekoälyä, kuten neuroverkkokäännöksiä ja puheentunnistusjärjestelmiä, kaivamaan keskustelunäyttöjä. Nämä järjestelmät ovat voimakkaampia, mutta eivät selkeästi selitä, miksi ne tekevät asioita. Niissä puuttuu myös avoimuus. Näille kahdelle ryhmälle tekoäly ei usein ole luotettavaa tai luotettavaa, ja se voi tehdä puolueellisia päätöksiä, jotka saavat yritykselle negatiivista huomiota viranomaisten, sääntelijöiden ja yleisön taholta.

Nämä yritykset tarvitsevat nyt siirtää tekoälynsä toteutuksia askelen eteenpäin – kolmanteen leiriin (H3), jossa tekoäly on itseoppiva ja generatiivinen. Tässä vaiheessa tekoälyjärjestelmät ovat puolivaltuuksellisia tai jopa valvottuja. Ne ovat avoimia ja saavuttavat ”yleisen älyn” monitehtävän oppimisen kautta. Nämä järjestelmät tarjoavat rikkaampaa älykkyyttä ja antavat reaaliaikaisia, toimintavalmiita näyttöjä. Tämä saavutetaan hyvin hallitun, johdetun tekoälyn kautta, joka on tulkiteltavissa ja selitettävissä kaikissa vaiheissa.

Miten edetä vastuullisemman ja avoimemman tekoälyn kehittämiseen

Tekoälyä käytetään yhä enemmän koulujen, työtilojen ja muiden julkisten laitosten hallinnassa. Näissä ympäristöissä on tärkeää, että tekoäly on reilu ja avoin. Kuitenkin tekoälyn omaksumisen räjähdyskeskuksessa sääntelijät antavat vain vähän ohjeita tekoälytekniikoiden sopivasta kehittämisestä ja käytöstä. Niinpä yritysten on otettava vastuu. Laajempi teknologiayritys on panostettava taloudelliseen voimavaraan ja inhimilliseen pääomaan, muuttaen aluksi sirpaleisia tekoälytoteutuksia tehokkaaksi, luovaksi, vastuulliseksi ja avoimeksi älykkyyden ohjaamaksi ekosysteemiksi. Tämän tilan saavuttamiseksi yritysten tulisi tehdä seuraavat neljä asiaa:

• Pitää ihmiset silmällä: Tekoälymallit on usein suunniteltu toimimaan itsenäisesti ihmisistä. Ihmisen osuus on kuitenkin tärkeä monissa tapauksissa. Ihmisten on tarkistettava päätöksiä ja vältettävä puolueellisuutta ja virheitä, jotka usein häikäisevät tekoälyprojekteja. Kaksi esimerkkitapausta ovat petosten havaitseminen ja tapaukset, joissa on mukana lainvalvonta. Suosittelemme, että yritykset palkkaavat tekoälyasiantuntijoita hitaasti mutta johdonmukaisesti ajan myötä saadakseen jalansijan tekoälynpohjaisella matkallaan.
• Poistaa puolueelliset tietokannat: Puolueeton tietokanta on kriittinen edellytys luotettavien, reilujen ja syrjimättömien tekoälymallien luomiseksi. Sen merkityksen ymmärtämiseksi tekoälyä käytetään esimerkiksi ansioluettelojen ja luottoluokituksen lyhentämiseen pankkien toimesta, ja se on edennyt jopa joissakin oikeusjärjestelmissä. Tässä maisemassa tarkkaamattomat puolueellisuudet ovat johtaneet todellisiin seurauksiin.
• Takaavat, että päätökset ovat selitettävissä: Tämä ominaisuus on saanut paljon huomiota monissa suurissa uutislehdissä, ja oikeutetusti. Selitettävä tekoäly (XAI) auttaa selittämään, miksi tekoälyjärjestelmä teki tietyn päätöksen. Se paljastaa, mitkä syvän oppimisen mallin ominaisuudet käytettiin enemmän kuin toiset sen ennusteen tai hypoteesin tekemiseksi. Ymmärtäminen ominaisuuden tärkeydestä ja kyky perustella, miten päätökset tehdään, on ratkaiseva esimerkiksi autonomisten ajoneuvojen ja tietokoneavusteisen näönkäsittelyn käytössä lääketieteellisissä biopsioissa.
• Toteuttaa luotettavasti tulokset: Yleinen vaatimus tutkimushankkeissa on, että tekoälymallit ovat johdonmukaisia, kun ne antavat ennusteita ajan myötä. Nämä mallit eivät saa olla hämmästyneitä, kun niille esitetään uutta dataa.

Nämä neljä asiaa luovat avoimia älykkyyden ohjaamia ekosysteemejä, jotka edistävät kohti sitä, mitä kutsumme ”eläväksi yritykseksi”. Siinä puolueettomat ja selitettävissä olevat päätökset tehdään lähes reaaliajassa, ja koko yritys toimii tietoisen olennon kaltaisesti, jota ihmiset ohjaavat. Lue Infosys Knowledge Institute -white paper saadaksesi lisätietoja.