Waarom reputatie de acceptatie van AI en automatisering belemmert

Klik voor meer informatie over auteur Tom Allen.

De toenemende penetratie van technologische vooruitgang en kunstmatige intelligentie (AI) worden geadopteerd door organisaties met diverse diensten en operaties om het nut ervan te benutten. De snelle en onvermijdelijke metamorfose om automatisering toe te passen, springt midden in de pandemie.

De meningen zijn echter anders gevormd over de problemen en uitdagingen van het gigantische idee en benadering van AI. Nu de adoptie aan kracht wint tijdens de lockdown, vrezen velen nog steeds de verandering. Het alarm is verontrustend vanwege de negatieve krantenkoppen die een paar organisaties haalden vanwege de mazen in hun AI-systeem.

De pandemie vormt het economische nasleep wereldwijd. Kostenbesparende maatregelen zijn wegen om verliezen te overwinnen, wat een primaire zorg is voor alle organisaties. Daarom lijkt het erop dat de acceptatiegraad van AI een reconstructie zal ondergaan. Terwijl volgens de McKinsey Wereldwijd AI-onderzoek, AI bewijst zijn waarde, maar heeft weinig impact op de schaal, de meeste bedrijven zien nog steeds voordelen.

Verbetering van de bedrijfsefficiëntie en het visualiseren van de langetermijndoelen voor het geval het virus langer heerst dan verwacht, is het huidige tumult. Bedrijven analyseren zonder meer de potentiële infectiegebieden, bezuinigen op werknemers voor normen voor sociale afstanden, sancties wegens ziekte, saneringskosten en nog veel meer – deze factoren zijn recht evenredig met de productie- en serviceprocessen. Verstoring van de productielijn betreft het merendeel van de directiekamers.

Hoewel kunstmatige intelligentiesystemen gegevens begrijpen om beslissingen te nemen en onmiskenbare voordelen bieden, heeft AI ook een uitgebreide lijst met risico’s en problemen. De technologische systemen zijn de drijvende kracht achter beslissingen, veranderingen en strategieën in een bedrijf. Als de ingevoerde gegevens onhygiënisch en ongefilterd zijn, kan dit een ernstige bedreiging vormen voor de interne en externe reputatie van de organisatie.

Systemen leren ongetwijfeld en passen zich aan volgens de ingevoerde gegevens. De ontwikkeling van systemen is gebaseerd op het leren en analyseren van de gegevens; elk resultaat is gebaseerd op de patronen van de gegevens. Ook AI leert de patronen en ontwerpen van de data en handelt daarnaar. Als de organisatie een verleden heeft van discriminatie, maatschappelijke verschillen en de invloed van een bepaalde mindset, zullen de data dat duidelijk laten zien. Het AI-systeem zal dezelfde patronen volgen voor toekomstige resultaten en dit creëert een onzichtbare maas in de wet die de organisatie kan ontcijferen en aanpakken. In de komende 5 jaar zal het aantal AI en bevooroordeelde systemen zal volgens een IBM-rapport toenemen in algoritmen.

De uitdaging is, hoewel AI een krachtig hulpmiddel kan zijn om besluitvorming te ondersteunen, “in gevallen waarin AI-systemen aannames baseren op patronen van historische gegevens, bestaat het gevaar van vertekening”, zegt Brian Kropp, Gartner’s VP of Research.

Overweeg om het te begrijpen Amazon-werving AI-gebaseerd systeem bedacht begin 2015. Het doel was om review sollicitaties te filteren met automatisering. De gegevens die in het systeem werden gebruikt, hadden echter betrekking op de cv’s van de afgelopen 10 jaar die een overheersende prevalentie van mannelijke kandidaten vertoonden. Daarom leerde het systeem vrouwelijke sollicitanten veel lager te beoordelen dan mannelijke werkzoekenden. Talrijke pogingen om het systeem te reguleren zijn mislukt vanwege onomkeerbaar leren en specifieke problemen in de gegevens.

Amazon haalde negatieve krantenkoppen in de media vanwege hun vooringenomen AI in de richting van werkende vrouwen. Als gevolg hiervan werd de reputatie van de organisatie ernstig belemmerd en ook het klantenbestand van vrouwen aangetast.

Prominentie en veerkracht op de lange termijn zijn gebaseerd op de waarde en goodwill van het merk / de organisatie. Trouwe klanten hebben de neiging om een ​​breder scala aan producten en diensten te kopen van een bedrijf met een sterke reputatie in de markt. Bedrijven met een positieve en sterke reputatie trekken meer mensen aan, aangezien klanten reputatie koppelen aan vertrouwen en kwaliteit van de dienst of het product.

Daarom menselijke interventie is cruciaal voor het succes van een AI-systeem. Het bouwen van systemen die van tijd tot tijd menselijk toezicht mogelijk maken, is een belangrijke behoefte om reputatieschade te voorkomen. AI en machine learning zijn zo goed als getraind, daarom is regelmatig menselijk toezicht nodig om te begrijpen welk patroon het systeem leert. Het regelmatig bedenken van strategieën en het bedenken van oplossingen zal toekomstige complicaties verlichten.

follow:
admin

admin

Related Posts

Een korte geschiedenis van gegevensbeheer

Datamanagement is de organisatie van gegevens, de stappen die worden gebruikt om efficiëntie te bereiken en informatie uit die gegevens

Datakans klopt! Moet je antwoorden?

Klik voor meer informatie over auteur Kartik Patel. Als zakenmensen krijgen we vaak te maken met wat misschien een geweldige

Een korte geschiedenis van gegevensbeheer

Datamanagement is de organisatie van gegevens, de stappen die worden gebruikt om efficiëntie te bereiken en informatie uit die gegevens

Datakans klopt! Moet je antwoorden?

Klik voor meer informatie over auteur Kartik Patel. Als zakenmensen krijgen we vaak te maken met wat misschien een geweldige