Elementos necesarios para algoritmos éticos.

A medida que crece el potencial de la inteligencia artificial (IA), se necesita una

estrategia de AI unificada para reutilizar y priorizar la AI.
Cumplir con los objetivos de la empresa. Los algoritmos de AI no siempre son
neutrales. Si el pueblo no los hubiera andado y abandonado. Al ponerlo debajo del
encabezado cuando lo programe o lo use. Un ejemplo de una clase podría ser que se
encuentra en búsqueda de imágenes, software de reclutamiento, búsquedas financieras y
más que el uso de la inteligencia artificial, como la inteligencia artificial y el
aprendizaje automático se parte de nuestra vida diaria, big data, información, archivos y
cualquiera puede acceder a los datos.

1. Utilidad:
Asegúrese de que sus algoritmos sean claros, útiles y satisfactorios (encantadores) para
el usuario. Establezca métricas holísticas: no se meta solo en los ingresos, sino que
piense en los resultados sociales. Trate de medir los indicadores principales de los
resultados sociales.
2. Empatía y respeto:
Valide que sus algoritmos comprendan y respeten las necesidades explícitas e implícitas
de las personas. Tenga diversidad en sus equipos de datos: trabaje para tener una
representación de la población en la que estaría implementando los algoritmos. Evita las
anteojeras de los equipos homogéneos. Los equipos diversos trabajarán para tener
diversos datos de entrenamiento, conjuntos de características más inteligentes y menos
sesgo en los datos.
3. Confianza:
Esfuércese para que sus algoritmos sean transparentes, seguros y consistentes en su
comportamiento. Si bien la explicabilidad de los algoritmos de aprendizaje profundo es
difícil, explore algoritmos alternativos donde sea posible o exponga la lógica / las reglas
en la mayor medida posible. Tener equipos de ciencia de datos centralizados o un centro
de excelencia para evitar o mitigar el sesgo de la línea de negocios. Por ejemplo, el
equipo de ciencia de datos que informa a las ventas se inclinará hacia el sesgo de los
objetivos de ventas. La centralización del equipo de ciencia de datos evita ese sesgo. Sin
embargo, en algunas situaciones, es posible que tenga una estructura de centro y radio
donde el equipo de ciencia de datos de línea de negocio (LOB) se alinee con el centro
de excelencia para mitigar esos sesgos.
4. Equidad y seguridad:
Asegúrese de que los algoritmos estén libres de sesgos que puedan causar daños, en el
mundo digital o físico, o ambos, a las personas y / o a la organización. Aproveche las
herramientas de imparcialidad para detectar sesgos no deseados en los conjuntos de
datos, modelos de aprendizaje automático y algoritmos de vanguardia para mitigar
dicho sesgo. Los equipos de datos deben estar constituidos para ser oficiales de
«conciencia» y monitorear el uso de AI para garantizar que los datos, y las personas que
representan, estén protegidos.
5. Responsabilidad:
Establezca procesos claros de escalada y gobernanza y ofrezca recursos si los clientes
no están satisfechos. Esta responsabilidad tiene que venir desde la parte superior de la
organización; los ejecutivos deben permanecer enfocados en refinar las prácticas de
diseño, crear una IA enfocada en el ser humano y auditar los sesgos. Haga que las
prácticas de gobernanza de datos se realicen de forma conjunta por parte de TI, así
como las de las funciones comerciales y de cumplimiento.
La confianza de la sociedad es fundamental para la adopción generalizada de la IA. La
IA puede no estar completamente desprovista de sesgos, al igual que los humanos
no. Sin embargo, diversos equipos de datos, con las asociaciones adecuadas, pueden
ayudar a replantear las consecuencias impulsadas por la inteligencia artificial en
términos de derechos humanos y hacerlo más aceptable. Al crear un código de ética en
su estrategia de AI , su empresa demuestra un compromiso con el uso responsable de la
tecnología, lo que puede traducirse en mejores resultados comerciales.