桥接人工智能信任鸿沟

人工智能的采用已经达到了一个关键的转折点。企业正在热情地拥抱人工智能，这是因为人工智能有望在运营效率方面实现数量级的改善。

最近的一项Slack调查发现，人工智能的采用继续加速，工作场所的人工智能使用量最近增加了24%，而96%的受访高管认为“将人工智能集成到整个业务运营中是紧迫的”。

然而，人工智能的实用性和对其潜在不利影响的日益增长的焦虑之间存在着一个日益扩大的鸿沟。只有7%的桌面工作者相信人工智能的输出足够可靠，能够帮助他们完成工作相关的任务。

这种差距在高管对人工智能集成的热情和员工对人工智能的怀疑之间的鲜明对比中显现出来，员工的担忧包括：

• 偏见和公平性：人工智能系统可以延续或加剧现有的偏见，导致不公平的结果。
• 隐私和安全：员工担心他们的个人数据如何被人工智能系统收集、存储和使用。
• 不透明的决策：人工智能系统通常作为“黑盒”运行，做出人类难以理解或解释的决定。
• 自动化焦虑：人们普遍担心人工智能会取代人类的工作，导致失业和经济不稳定。

立法在建立信任中的作用

为了解决这些多方面的信任问题，立法措施越来越被视为必要的步骤。立法可以在规范人工智能的开发和部署方面发挥关键作用，从而增强信任。关键的立法方法包括：

• 数据保护和隐私法：实施严格的数据保护法，确保人工智能系统负责任地处理个人数据。像欧盟的《通用数据保护条例》（GDPR）这样的法规为透明度、数据最小化和用户同意设定了先例。
• 人工智能法规：欧盟已经批准了《欧盟人工智能法案》（EU AIA），旨在根据人工智能系统的风险水平来监管其使用。该法案包括高风险人工智能系统的强制性要求，涵盖数据质量、文档、透明度和人类监督等领域。

促进可信任人工智能的标准化举措

公司不需要等待新法律的执行来确定他们的流程是否符合道德和可信任的指导方针。人工智能法规与新兴的人工智能标准化举措一起发挥作用，后者使组织能够在整个人工智能系统生命周期中实施负责的人工智能治理和最佳实践，包括设计、实施、部署和最终的废弃。

美国国家标准与技术研究所（NIST）已经开发了一个人工智能风险管理框架，以指导组织管理人工智能相关风险。该框架围绕四个核心功能构建：

• 了解人工智能系统及其运行的背景。这包括定义人工智能系统的目的、利益相关者和潜在影响。
• 量化人工智能系统相关的风险，包括技术和非技术方面。这涉及评估系统的性能、可靠性和潜在偏见。

• 实施策略以减轻已识别的风险。这包括制定政策、程序和控制措施，以确保人工智能系统在可接受的风险水平内运行。
• 建立治理结构和问责机制，以监督人工智能系统及其风险管理流程。这涉及定期审查和更新风险管理策略。

人工智能与公众信任的未来

展望未来，人工智能与公众信任的未来可能取决于几个关键因素，这些因素对于所有组织来说都是必不可少的：

• 进行全面风险评估，以确定潜在的合规性问题。评估人工智能系统的伦理影响和潜在偏见。
• 建立一个跨职能团队，包括法律、合规、IT和数据科学专业人员。该团队应负责监测法规变化，并确保人工智能系统遵守新法规。
• 实施一个包括政策、程序和人工智能倡议管理的治理结构。确保人工智能运营和决策过程的透明度。
• 进行定期的内部审计，以确保遵守人工智能法规。使用监测工具来跟踪人工智能系统的性能和遵守法规标准的情况。
• 教育员工关于人工智能伦理、法规要求和最佳实践。提供持续的培训课程，以使员工了解人工智能法规和合规策略的变化。
• 保持人工智能开发过程、数据使用和决策标准的详细记录。准备好生成可以提交给监管机构的报告，如果需要的话。
• 与监管机构建立关系，并参与公共咨询。对拟议的法规提供反馈，并在必要时寻求澄清。

上下文化人工智能以实现可信任人工智能

最终，可信任人工智能取决于数据的完整性。生成式人工智能对大型数据集的依赖并不等同于输出的准确性和可靠性；如果不是相反的话，这是违反直觉的。检索增强生成（RAG）是一种创新技术，它“将静态LLM与上下文特定数据相结合，可以被认为是一个非常了解情况的助手。一个能够将查询上下文与综合知识库或文档库中的特定数据相匹配的助手。” RAG使组织能够提供上下文特定的应用程序，以满足隐私、安全、准确性和可靠性期望。RAG通过从知识库或文档库中检索相关信息来提高生成响应的准确性，使模型能够基于准确和最新的信息进行生成。

RAG使组织能够构建具有高度准确性、上下文感知和适应性的定制人工智能应用，以提高决策、增强客户体验、简化运营并获得显著的竞争优势。

弥合人工智能信任鸿沟需要确保人工智能的透明度、问责制和伦理使用。虽然没有单一的答案来维持这些标准，但企业却拥有策略和工具来实现这一目标。实施强大的数据隐私措施并遵守法规标准可以建立用户的信心。定期审计人工智能系统以发现偏见和不准确性可以确保公平性。通过将大型语言模型（LLM）与定制人工智能相结合，可以通过整合专有知识库和数据源来实现可信任人工智能。与利益相关者就人工智能的能力和局限性进行沟通也可以促进信心和接受度。

可信任人工智能并非易事，但这是我们未来至关重要的承诺。