जैसे-जैसे डेटा विज्ञान अधिक परिष्कृत होता जाता है और उपभोक्ता अधिक व्यक्तिगत ग्राहक अनुभव की मांग करते हैं, एआई व्यवसायों को अपने ग्राहकों और दर्शकों को बेहतर ढंग से समझने में मदद करने के लिए एक उपकरण है। लेकिन भले ही एआई में दुनिया की सारी क्षमता हो, लेकिन अगर हम यह नहीं समझ पाते कि नैतिक चुनौतियों का समाधान कैसे किया जाए, तो उस पूरी क्षमता का कभी भी एहसास नहीं हो सकता है। जैसे-जैसे यह तकनीक विकसित होती है, एआई रणनीति को लागू करने के इच्छुक सभी नेताओं द्वारा एक प्रश्न को ध्यान में रखा जाना चाहिए कि उद्यम के भीतर एआई के उपयोग को नैतिक और जिम्मेदार तरीके से अधिकतम कैसे किया जाए। एआई क्षमताओं को लागू करने और स्केल करने के लिए जो निवेश पर सकारात्मक रिटर्न प्रदान करते हैं, जबकि जोखिम को कम करते हुए, पूर्वाग्रह को कम करते हुए, और एआई को मूल्य पर ले जाने के लिए, संगठनों को चार सिद्धांतों का पालन करना चाहिए:
1. लक्ष्यों, उद्देश्यों और जोखिमों को समझें
लगभग सात साल पहले, एक संगठन ने "उभरती प्रौद्योगिकियों के लिए प्रचार चक्र" जारी किया, जो उन प्रौद्योगिकियों की भविष्यवाणी करता है जो अगले दशक में समाज और व्यापार को बदल देंगे। आर्टिफिशियल इंटेलिजेंस इन्हीं तकनीकों में से एक है। रिपोर्ट के जारी होने ने कंपनियों को विश्लेषकों और निवेशकों को साबित करने के लिए हाथापाई करने के लिए प्रेरित किया है कि वे एआई-प्रेमी हैं, और कई अपने व्यापार मॉडल के लिए एआई रणनीतियों को लागू करना शुरू कर रहे हैं। हालांकि, कभी-कभी इन रणनीतियों को खराब तरीके से क्रियान्वित किया जाता है और इसे केवल मौजूदा विश्लेषणात्मक या संख्यात्मक लक्ष्यों के बाद के रूप में इस्तेमाल किया जा सकता है। ऐसा इसलिए है क्योंकि व्यवसायों को उस व्यावसायिक समस्या की स्पष्ट समझ नहीं है जिसे वे हल करने के लिए एआई की तलाश कर रहे हैं। कंपनियों द्वारा विकसित एआई और एमएल मॉडल का केवल 10 प्रतिशत ही लागू किया जाता है। एआई विचाराधीन व्यवसाय और डेटा वैज्ञानिकों के बीच ऐतिहासिक डिस्कनेक्ट से पीछे है जो समस्या को हल करने के लिए एआई का उपयोग कर सकते हैं। हालाँकि, जैसे-जैसे डेटा परिपक्वता बढ़ी है, कंपनियों ने डेटा अनुवादकों को विभिन्न मूल्य श्रृंखलाओं में एकीकृत करना शुरू कर दिया है, जैसे कि मार्केटिंग व्यवसाय को परिणामों की खोज और परिवर्तन करने की आवश्यकता है। इसलिए नैतिक एआई रणनीति विकसित करने का व्यापक सिद्धांत सभी लक्ष्यों, उद्देश्यों और जोखिमों को समझना है, और फिर उद्यम के भीतर एआई के लिए एक विकेन्द्रीकृत दृष्टिकोण बनाना है।
2. पूर्वाग्रह और भेदभाव को संबोधित करना
बड़े और छोटे व्यवसायों को प्रतिष्ठा का नुकसान हुआ है और ग्राहकों को उन पर भरोसा नहीं है क्योंकि पूर्वाग्रह को दूर करने के लिए एआई समाधान कभी भी ठीक से विकसित नहीं किए गए हैं। इसलिए एआई मॉडल बनाने वाले व्यवसायों को यह सुनिश्चित करने के लिए पूर्व-खाली उपाय करने चाहिए कि उनके समाधान नुकसान न पहुंचाएं। ऐसा करने का तरीका एल्गोरिथम की भविष्यवाणियों पर किसी भी नकारात्मक प्रभाव को रोकने के लिए एक ढांचा तैयार करना है। उदाहरण के लिए, यदि कोई कंपनी सर्वेक्षणों के माध्यम से ग्राहक भावना को बेहतर ढंग से समझना चाहती है, जैसे कि एक कम प्रतिनिधित्व वाला समुदाय उनकी सेवाओं को कैसे मानता है, तो वे इन ग्राहक सर्वेक्षणों का विश्लेषण करने के लिए डेटा विज्ञान का उपयोग कर सकते हैं और पहचान सकते हैं कि कुछ प्रतिशत प्रतिक्रियाएं अंग्रेजी के अलावा अन्य भाषाओं में थीं, एकमात्र भाषा जिसे एआई एल्गोरिथम संभवतः समझ सकता है। इस समस्या को हल करने के लिए, डेटा वैज्ञानिक न केवल एल्गोरिथम को संशोधित कर सकते हैं, बल्कि भाषा की जटिल बारीकियों को भी शामिल कर सकते हैं। यदि वे इन भाषाई बारीकियों को समझ सकते हैं और इन निष्कर्षों को और अधिक कार्रवाई योग्य बनाने के लिए एआई को अधिक धाराप्रवाह भाषा के साथ जोड़ सकते हैं, तो व्यवसाय अपने ग्राहक अनुभव को बेहतर बनाने के लिए कम प्रतिनिधित्व वाले समुदायों की जरूरतों को समझने में सक्षम होंगे।
3. बुनियादी डेटा की पूरी श्रृंखला विकसित करें
एआई एल्गोरिदम बड़े डेटासेट का विश्लेषण करने में सक्षम हैं, और व्यवसायों को अपने एआई मॉडल द्वारा उपयोग और अंतर्ग्रहण किए गए डेटा मानकों के लिए विकासशील ढांचे को प्राथमिकता देनी चाहिए। एआई को सफलतापूर्वक लागू करने के लिए एक समग्र, पारदर्शी और ट्रेस करने योग्य डेटासेट आवश्यक है। एआई को मानवीय हस्तक्षेप के लिए जिम्मेदार होना चाहिए। जैसे कि कठबोली, संक्षिप्ताक्षर, कोड शब्द, और कई और शब्द जो मनुष्यों ने निरंतर विकास के आधार पर विकसित किए हैं, जिनमें से प्रत्येक अत्यधिक तकनीकी कृत्रिम बुद्धिमत्ता एल्गोरिदम को गलत बना सकता है। एआई मॉडल जो इन मानवीय बारीकियों को संभालने में असमर्थ हैं, उनके पास समग्र डेटासेट की कमी है। यह कुछ आवश्यक जानकारी के साथ रियरव्यू मिरर के बिना ड्राइव करने की कोशिश करने जैसा है, लेकिन मुख्य ब्लाइंड स्पॉट की कमी है। इन जटिल अंतरों को समझने के लिए एआई मॉडल के लिए व्यवसायों को ऐतिहासिक डेटा और मानवीय हस्तक्षेप के बीच संतुलन खोजना होगा। संरचित और असंरचित डेटा के संयोजन और एआई को दोनों को पहचानने के लिए प्रशिक्षण देकर, एक अधिक व्यापक डेटासेट उत्पन्न किया जा सकता है और भविष्यवाणियों की सटीकता में सुधार किया जा सकता है। इसके अलावा, डेटासेट की तृतीय-पक्ष ऑडिटिंग पूर्वाग्रह और विसंगतियों से मुक्त, एक अतिरिक्त लाभ हो सकता है।
4. एल्गोरिथम विकास के "ब्लैक बॉक्स" से बचें
दृष्टिकोण एआई के नैतिक होने के लिए, इसे पूरी तरह से पारदर्शी होने की आवश्यकता है। एआई रणनीतियों को विकसित करने के लिए जो एक साथ पारदर्शी, व्याख्या योग्य और व्याख्या योग्य हैं, कंपनियों को यह समझने के लिए कोड का "ब्लैक बॉक्स" खोलना चाहिए कि एल्गोरिदम में प्रत्येक नोड कैसे निष्कर्ष निकालता है और परिणामों की व्याख्या करता है। हालांकि यह सरल लगता है, इसे प्राप्त करने के लिए एक मजबूत तकनीकी ढांचे की आवश्यकता होती है जो उत्पन्न होने वाली विभिन्न उप-भविष्यवाणियों को दिखाने के लिए अंतर्निहित कोड को देखकर मॉडल और एल्गोरिदम व्यवहार की व्याख्या कर सकता है। व्यवसाय कई आयामों में एआई और एमएल मॉडल का मूल्यांकन करने के लिए ओपन सोर्स फ्रेमवर्क पर भरोसा कर सकते हैं, जिनमें शामिल हैं:
फ़ीचर विश्लेषण: मौजूदा मॉडलों में नई सुविधाओं को लागू करने के प्रभाव का आकलन करने के लिए
नोड विश्लेषण: भविष्यवाणियों के सबसेट की व्याख्या करें
स्थानीय विश्लेषण: परिणामों को बेहतर बनाने के लिए अलग-अलग पूर्वानुमानों और मिलान सुविधाओं की व्याख्या करें
वैश्विक विश्लेषण: समग्र मॉडल व्यवहार और प्रमुख विशेषताओं की एक टॉप-डाउन समीक्षा प्रदान करता है। आर्टिफिशियल इंटेलिजेंस एक जटिल तकनीक है जिसमें कई संभावित नुकसान हैं यदि व्यवसाय सावधान नहीं हैं।
एक सफल एआई मॉडल को पहले दिन से ही नैतिकता को प्राथमिकता देनी चाहिए, न कि बाद में। उद्योगों और व्यवसायों में, एआई एक आकार-फिट-सभी नहीं है, लेकिन एक सामान्य भाजक जिसे सफलता हासिल करनी चाहिए, वह है पारदर्शी और निष्पक्ष पूर्वानुमान के लिए प्रतिबद्धता।