Mis on tehisintellekti tehnoloogia? [Video ja viktoriin]

Lühike vastus: tehisintellekti tehnoloogia on meetodite kogum, mis võimaldab arvutitel andmetest õppida, mustreid tuvastada, keelt mõista või genereerida ning otsuseid toetada. Tavaliselt hõlmab see mudeli treenimist näidete põhjal ja seejärel selle rakendamist ennustuste tegemiseks või sisu loomiseks; maailma muutudes vajab see pidevat jälgimist ja perioodilist ümberõpet.

Peamised järeldused:

Definitsioon: tehisintellekti süsteemid teevad keerukate sisendite põhjal ennustusi, soovitusi või otsuseid.

Põhivõimed: õppimine, mustrite äratundmine, keel, taju ja otsuste toetamine moodustavad aluse.

Tehnoloogiapakk: masinõpe, süvaõpe, NLP, nägemine, reaalajaline õppimine ja generatiivne tehisintellekt toimivad sageli koos.

Elutsükkel: treenimine, valideerimine, juurutamine ja seejärel jälgimine triivi ja jõudluse languse suhtes.

Juhtimine: Kasutage eelarvamuste kontrolli, inimeste järelevalvet, privaatsuse/turvalisuse kontrolle ja selget vastutust.

Artiklid, mida võiksite pärast seda lugeda:

🔗 Kuidas tehisintellekti mudeleid testida
Praktilised meetodid täpsuse, eelarvamuse, robustsuse ja jõudluse hindamiseks.

🔗 Mida tehisintellekt tähendab
Tehisintellekti tähenduse ja levinud väärarusaamade lihtne selgitus.

🔗 Kuidas kasutada tehisintellekti sisu loomiseks
Kasutage tehisintellekti sisu ajurünnakuks, mustandite loomiseks, redigeerimiseks ja skaleerimiseks.

🔗 Kas tehisintellekt on ülepaisutatud?
Tasakaalustatud ülevaade tehisintellekti lubadustest, piirangutest ja reaalsetest tulemustest.

Mis on tehisintellekti tehnoloogia 🧠

tehnoloogia (AI ) on lai valik meetodeid ja tööriistu, mis võimaldavad masinatel teostada „nutikaid“ käitumisviise, näiteks:

• Andmetest õppimine (selle asemel, et iga stsenaariumi jaoks selgesõnaliselt programmeerida)

• Mustrite (näod, pettused, meditsiinilised signaalid, trendid) äratundmine

• Keele mõistmine või genereerimine (vestlusrobotid, tõlkimine, kokkuvõtted)

• Planeerimine ja otsuste tegemine (marsruutimine, soovitused, robootika)

• Taju (nägemine, kõnetuvastus, sensoripõhine tõlgendamine)

Kui soovid „ametlikku“ alust, on OECD raamistik kasulik ankur: see käsitleb tehisintellekti süsteemi kui midagi, mis suudab sisendite põhjal järeldada väljundeid, nagu ennustused, soovitused või otsused, mis mõjutavad keskkonda. Teisisõnu: see võtab arvesse keerulist reaalsust → annab „parima oletuse“ väljundi → mõjutab seda, mis edasi saab. [1]

Ma ei hakka valetama – „tehisintellekt” on üldmõiste. Selle alt leiab palju alamvaldkondi ja inimesed kutsuvad neid kõiki juhuslikult tehisintellektiks, isegi kui need on lihtsalt uhked statistikad, kes kannavad kapuutsiga dressipluusi.

Tehisintellekti tehnoloogia lihtsas inglise keeles (ilma müügifraasideta) 😄

Kujuta ette, et pead kohvikut ja hakkad tellimusi jälgima.

Alguses mõtled: „Kas tundub, et inimesed tahavad viimasel ajal rohkem kaerapiima?“
Siis vaatad numbreid ja mõtled: „Selgub, et kaerapiima hind tõuseb nädalavahetustel järsult.“

Kujutage nüüd ette süsteemi, mis:

• jälgib neid käske,

• leiab mustreid, mida sa ei märganud,

• ennustab, mida sa homme müüd,

• ja annab soovitusi, kui palju kaupa osta..

See mustrite leidmine + ennustamine + otsuste toetamine on tehisintellekti tehnoloogia igapäevane versioon. See on nagu annaksid oma tarkvarale korraliku silmapaari ja pisut kinnisideeks oleva märkmiku.

Vahel on see ka nagu annaks talle papagoi, kes on õppinud väga hästi rääkima. Kasulik, aga... mitte alati tark. Sellest lähemalt hiljem.

Tehisintellekti tehnoloogia peamised ehitusplokid 🧩

Tehisintellekt ei ole üks asi. See on virn lähenemisviise, mis sageli koos toimivad:

Masinõpe (ML)

Süsteemid õpivad seoseid andmetest, mitte fikseeritud reeglitest.
Näited: rämpsposti filtrid, hinnaennustus, klientide lahkumise ennustamine.

Sügavõpe

Masinaõppe alamhulk, mis kasutab paljude kihtidega närvivõrke (hea segaste andmete, näiteks piltide ja heli, puhul).
Näited: kõne tekstiks teisendamine, piltide märgistamine, mõned soovitussüsteemid.

Looduskeele töötlemine (NLP)

Tehnoloogia, mis aitab masinatel inimkeelega töötada.
Näited: otsing, vestlusrobotid, sentimentaalsuse analüüs, dokumentide ekstraheerimine.

Arvutinägemine

Visuaalseid sisendeid tõlgendav tehisintellekt.
Näited: defektide tuvastamine tehastes, pilditöötluse tugi, navigeerimine.

Tugevdusõpe (RL)

Katse-eksituse meetodil õppimine, kasutades preemiaid ja karistusi.
Näited: robootikakoolitus, mänguagendid, ressursside optimeerimine.

Generatiivne tehisintellekt

Mudelid, mis genereerivad uut sisu: tekst, pildid, muusika, kood.
Näited: kirjutamisassistendid, disainimaketid, kokkuvõtete tegemise tööriistad.

Kui soovid kohta, kus korraldatakse palju kaasaegset tehisintellekti uuringuid ja avalikkusele suunatud arutelusid (ilma et su aju kohe sulaks), on Stanfordi HAI kindel teabekeskus. [5]

Kiire „kuidas see toimib” mentaalne mudel (koolitamine vs. kasutamine) 🔧

Enamikul tänapäevastel tehisintellektidel on kaks suurt faasi:

• Treenimine: mudel õpib mustreid paljude näidete põhjal.

• Järeldus: treenitud mudel saab uue sisendi ja genereerib väljundi (ennustus / klassifikatsioon / genereeritud tekst jne).

Praktiline, mitte liiga matemaatiline pilt:

1. Koguge andmeid (tekst, pildid, tehingud, andurite signaalid)

2. Kujunda seda (juhendatud õppe sildid või iseseisva/pooljuhendatud lähenemisviiside struktuur)

3. Treeni (mudeli optimeerimine, et see näidetes paremini toimiks)

4. Valideeri andmete põhjal, mida see pole näinud (ülesobitamise tuvastamiseks)

5. Juuruta

6. Jälgi (sest reaalsus muutub ja mudelid ei suuda maagiliselt sammu pidada)

Põhiidee: paljud tehisintellekti süsteemid ei „mõista“ asju nagu inimesed. Nad õpivad statistilisi seoseid. Seepärast võib tehisintellekt olla suurepärane mustrite äratundmises, aga ikkagi ebaõnnestuda elementaarse terve mõistuse valdamises. See on nagu geeniusekokk, kes unustab vahel taldrikute olemasolu.

Võrdlustabel: levinumad tehisintellekti tehnoloogia valikud (ja milleks need head on) 📊

Siin on praktiline viis tehisintellekti tehnoloogia "tüüpide" üle järele mõelda. Pole täiuslik, aga aitab.

Jep, laud on natuke ebaühtlane – selline see elu on. Tehisintellekti tehnoloogia valikud kattuvad nagu kõrvaklapid sahtlis.

Mis teeb tehisintellekti tehnoloogiasüsteemist hea? ✅

See on osa, mille inimesed vahele jätavad, kuna see pole nii särav. Aga praktikas peitub selles edu.

„Heal” tehisintellekti tehnoloogiasüsteemil on tavaliselt:

• Selge ülesanne
  „Aidata tugiteenuse piletite triaažimisel“ on iga kord parem kui „saada targemaks“.

• Korralik andmekvaliteet.
  Prügi sisse, prügi välja... ja vahel ka enesekindlalt välja 😂

• Mõõdetavad tulemused
  Täpsus, veamäär, aja kokkuhoid, väiksemad kulud, parem kasutajate rahulolu.

• Eelarvamuste ja õigluse kontrollimine (eriti suurte panustega kasutusaladel).
  Kui see mõjutab inimeste elu, testitakse seda tõsiselt – ja riskijuhtimist käsitletakse elutsükli asjana, mitte ühekordse kontrollpunktina. NISTi tehisintellekti riskijuhtimise raamistik on üks selgemaid avalikke käsiraamatuid sellise „ehitamine + mõõtmine + valitsemine” lähenemisviisi jaoks. [2]

• Inimese järelevalve seal, kus see on oluline.
  Mitte sellepärast, et inimesed on täiuslikud (lol), vaid sellepärast, et vastutus on oluline.

• Jälgimine pärast turuletoomist
  Mudelid triivivad. Kasutajate käitumine muutub. Reaalsus ei hooli teie treeningandmetest.

Kiire „liitnäide” (mis põhineb väga tüüpilistel juurutustel)

Tugimeeskond võtab kasutusele masinõppe piletite marsruutimise. 1. nädal: tohutu võit. 8. nädal: uue toote turuletoomine muudab piletite teemasid ja marsruutimine läheb vaikselt hullemaks. Lahendus ei ole „rohkem tehisintellekti“ - see on jälgimine + päästikute ümberõpetamine + inimese loodud varutee. Ebaglamuurne torustik päästab päeva.

Turvalisus + privaatsus: pole valikuline, mitte joonealune märkus 🔒

Kui teie tehisintellekt puudutab isikuandmeid, olete täiskasvanute reeglite territooriumil.

Üldiselt soovite: juurdepääsukontrolli, andmete minimeerimist, hoolikat säilitamist, selgeid eesmärgipiiranguid ja tugevat turvatestimist – lisaks erilist ettevaatust juhtudel, kui automatiseeritud otsused mõjutavad inimesi. Ühendkuningriigi ICO juhised tehisintellekti ja andmekaitse kohta on praktiline ja regulatiivse taseme ressurss õigluse, läbipaistvuse ja GDPR-iga kooskõlas oleva juurutamise üle mõtisklemiseks. [3]

Riskid ja piirangud (ehk see osa, mida inimesed õpivad raskel teel) ⚠️

Tehisintellekti tehnoloogia ei ole automaatselt usaldusväärne. Levinud lõksud:

• Eelarvamused ja ebaõiglased tulemused
  Kui treeningandmed peegeldavad ebavõrdsust, saavad mudelid seda korrata või võimendada.

• Hallutsinatsioonid (generatiivse tehisintellekti jaoks).
  Mõned mudelid genereerivad vastuseid, mis kõlavad õigesti, aga ei ole. See pole päris "valetamine" - pigem nagu enesekindel improvisatsioonikomöödia.

• Turvahaavatused
  Vaenulikud rünnakud, kiire süstimine, andmete mürgitamine – jah, see muutub sürreaalseks.

• Liigne lootus
  Inimesed lakkavad väljundeid kahtluse alla seadmast ja vead lipsavad läbi.

• Mudeli triiv
  Maailm muutub. Mudel ei muutu, kui sa seda ei hoolda.

Kui soovite kindlat vaadet „eetika + juhtimine + standardid”, on IEEE autonoomsete ja intelligentsete süsteemide eetika alane töö tugev lähtepunkt vastutustundliku disaini arutamiseks institutsioonilisel tasandil. [4]

Kuidas valida oma kasutusjuhtumi jaoks õige tehisintellekti tehnoloogia 🧭

Kui hindate tehisintellekti tehnoloogiat (ettevõtte, projekti või lihtsalt uudishimu jaoks), alustage siit:

1. Määratle tulemus.
   Milline otsus või ülesanne paraneb? Milline mõõdik muutub?

2. Auditeeri oma andmete tegelikkust.
   Kas sul on piisavalt andmeid? Kas need on puhtad? Kas need on kallutatud? Kellele need kuuluvad?

3. Vali kõige lihtsam ja toimivam lähenemisviis.
   Mõnikord on reeglid masinõppest paremad. Mõnikord on klassikaline masinõpe sügavast õppimisest parem.
   Liigne keerukus on maks, mida maksad igavesti.

4. Planeeri juurutamist, mitte ainult demot.
   Integratsioon, latentsus, jälgimine, ümberõpe, õigused.

5. Lisa turvapiirded.
   Inimesepoolne ülevaade oluliste olude, logimise ja vajadusel selgitatavuse osas.

6. Testi päris kasutajatega.
   Kasutajad teevad asju, mida teie disainerid poleks osanud ette kujutada. Iga kord.

Ütlen otse: parim tehisintellekti tehnoloogiaprojekt on sageli 30 protsenti modell ja 70 protsenti torustik. Mitte glamuurne. Väga reaalne.

Kiire kokkuvõte ja lõppsõna 🧁

Tehisintellekti tehnoloogia on tööriistakast, mis aitab masinatel andmetest õppida, mustreid ära tunda, keelt mõista, maailma tajuda ja otsuseid langetada – mõnikord isegi uut sisu genereerides. See hõlmab masinõpet, süvaõpet, NLP-d, arvutinägemist, tugevdusõpet ja generatiivset tehisintellekti.

Kui sellest üht asja välja lugeda: tehisintellekti tehnoloogia on võimas, aga see ei ole automaatselt usaldusväärne. Parimad tulemused tulevad selgetest eesmärkidest, headest andmetest, hoolikast testimisest ja pidevast jälgimisest. Lisaks tervislik annus skeptitsismi – näiteks restoranide arvustuste lugemine, mis tunduvad pisut liiga entusiastlikud 😬

Reaalse maailma näide: tehisintellekti tugiteenuse piletite triaažiassistendi loomine 🎫

Stsenaarium

Kujutage ette, et väike SaaS-ettevõte saab igal nädalal 180–220 klienditoe päringut. Meeskonnal on kolm tugiagenti ja suurim ajaraiskaja ei ole päringutele vastamine, vaid nende sorteerimine.

Mõned piletid on seotud arveldusega. Mõned on veateated. Mõned on küsimused „kuidas ma oma parooli lähtestan?“. Mõned on kiireloomulised kontole juurdepääsu probleemid, mis ei tohiks pool päeva järjekorras seista.

Lihtne tehisintellektil põhinev triaažiassistent võiks aidata uute piletite lugemise, nende liigitamise, prioriteeditaseme soovitamise, lühikese sisemise kokkuvõtte koostamise ja õigele inimesele suunamise abil. See ei asenda tugimeeskonda. See lihtsalt eemaldab korduva esmase sorteerimistöö.

Mida assistent vajab

Selle väärtuslikuks muutmiseks vajaks meeskond:

Klienditoe kategooriad, näiteks arveldamine, vead, kontole juurdepääs, funktsioonide taotlus ja üldised küsimused

Prioriteedireeglid, näiteks: „Konto lukus + maksev klient = kõrge prioriteet”

Mõned näited õigesti märgistatud varasematest piletitest

Loend asjadest, mida tehisintellekt ei tohi teha, näiteks raha tagastamine, paranduste lubamine või konto seadete muutmine

Inimese poolt läbivaatamise etapp kiireloomuliste, juriidiliste, arveldus- või turvalisusega seotud piletite puhul

Lihtne viis jälgida, kas tehisintellekti marsruutimine võeti tugimeeskonna poolt vastu või parandati

Näidisjuhis

Võid assistendile anda sellise juhise:

Lugege klienditoe piletit ja liigitage see ühte kategooriasse: arveldamine, viga, kontole juurdepääs, funktsioonisoov või üldine küsimus. Määrake ettevõtte tugireeglite alusel prioriteet Madal, Keskmine või Kõrge. Kirjutage ühelauseline sisemine kokkuvõte. Ärge lubage tagasimakseid, parandusi, ajakavasid ega poliitika erandeid. Kui piletis mainitakse lukustatud kontot, ebaõnnestunud makset, turvaprobleemi või vihast klienti, märkige see inimese poolt ülevaatamiseks.

Näidispilet:

„Maksasin eile Pro-paketi eest, aga mu kontol on ikka veel „Tasuta“. Pean selle parandama enne, kui täna pärastlõunal kliendikõnet tulen.“

Hea väljund:

Kategooria: Arveldamine
Prioriteet: Kõrge
Kokkuvõte: Klient maksis Pro paketi eest, kuid näeb endiselt tasuta paketti ja vajab juurdepääsu enne kliendi kõnet täna.
Inimesepoolne ülevaade: Jah - makse/juurdepääsu probleem ajalise surve tõttu.

Halb väljund:

"Vabandust, oleme teie konto nüüd uuendanud."

See halb vastus on riskantne, sest tehisintellekt teeskleb toimingu tegemist, milleks tal ei pruugi olla luba.

Kuidas seda testida

Enne abilise kasutamist reaalajas piletite puhul testige seda 30–50 vana piletiga, mille õige kategooria ja prioriteet on juba teada.

Väärtuslik testikomplekt võib sisaldada järgmist:

10 lihtsat "kuidas teha" küsimust

10 arveldus- või paketi juurdepääsupiletit

10 veateadet

5 vihast või pakilist kliendisõnumit

5 sassis piletit, mis mainivad korraga kahte probleemi

Jälgi kolme asja:

Kas see valis õige kategooria?

Kas see valis õige prioriteedi?

Kas see märkis riskantsed piletid õigesti inimese ülevaatamiseks?

Meeskond peaks testima ka ebatavalisi sisendeid, näiteks väga lühikesi sõnumeid, sarkasmi, tekstita ekraanipilte, ebamääraseid kaebusi ja kliente, kes kasutavad valesid tootenimesid.

Tulemus

Illustreeriv tulemus: põhineb 40 näidispileti ajastuse mõõtmisel enne ja pärast töövoo kasutamist.

Manuaalse triaaži aeg: 3 minutit pileti kohta
Tehisintellekti abil triaaži aeg: 45 sekundit pileti kohta, sh inimesepoolne ülevaatus
Hinnanguline ajasääst 200 pileti puhul nädalas: 7,5 tundi
Marsruudi täpsuse eesmärk enne turuletoomist: vähemalt 85% testkomplektist
Inimesepoolse ülevaatuse eesmärk: 100% arveldus-, kontole juurdepääsu-, turvalisus- või kiireloomuliste kaebuste piletitest

Need numbrid ei ole universaalne võrdlusalus. Need on näidishinnang, mida meeskond saab kontrollida reaalajas piletite ajastamise, parandatud klassifikatsioonide loendamise ja iganädalaste tugilogide ülevaatamise abil.

Mis võib valesti minna

Assistent võib vihast klienti alahinnata, kuna sõnumis ei kasutata ilmseid pakilisi sõnu.

See võib arveldusvea liigitada ainult „Arvelduseks“, kui see vajab ka tootemeeskonda.

See võib luua enesekindla kokkuvõtte, millest jääb puudu oluline detail, mis on peidetud pileti lõpupoole.

See võib tugineda aegunud tugiteenuste reeglitele, kui hinnakujundus, tagasimaksepoliitika või eskalatsiooniteed muutuvad.

Suurim viga on lasta tehisintellektil vaikselt piletid suunata ilma parandusi mõõtmata. Kui agendid parandavad pidevalt sama tehisintellekti viga, muutub see parenduste jaoks mõeldud treeningandmeteks – mitte millekski, mida ignoreerida.

Praktiline kaasavõetav toit

Siin muutub tehisintellekti tehnoloogia praktikas väärtuslikuks: mitte maagilise aju, vaid kontrollitud töövoona. Andke sellele kitsas ülesanne, selged reeglid, testinäited, mõõdetavad eesmärgid ja inimlik varuvõimalus. See kombinatsioon on tavaliselt palju usaldusväärsem kui paluda tehisintellektil „tuge pakkuda“ ja loota parimat.

KKK

Mis on tehisintellekti tehnoloogia lihtsustatult?

Tehisintellekti tehnoloogia on meetodite kogum, mis aitab arvutitel andmetest õppida ja luua praktilisi väljundeid, näiteks ennustusi, soovitusi või genereeritud sisu. Mudelite programmeerimise asemel, mis põhineb iga olukorra jaoks fikseeritud reeglitel, treenitakse neid näidete põhjal ja seejärel rakendatakse neid uutele sisenditele. Tootmiskeskkonnas vajab tehisintellekt pidevat jälgimist, kuna andmed, millega see kokku puutub, võivad aja jooksul muutuda.

Kuidas tehisintellekti tehnoloogia praktikas töötab (koolitamine vs järeldamine)?

Enamikul tehisintellekti tehnoloogiatel on kaks peamist faasi: treenimine ja järeldamine. Treeningu ajal õpib mudel andmestikust mustreid – sageli optimeerides oma jõudlust teadaolevate näidete põhjal. Järeldamise ajal võtab treenitud mudel uue sisendi ja loob väljundi, näiteks klassifikatsiooni, prognoosi või genereeritud teksti. Pärast juurutamist võib jõudlus halveneda, seega on käivitajate jälgimine ja ümberõpetamine olulised.

Mis vahe on masinõppel, süvaõppel ja tehisintellektil?

Tehisintellekt on lai üldmõiste „nutika” masina käitumise kohta, samas kui masinõpe on tehisintellekti sees levinud lähenemisviis, mis õpib andmetest seoseid. Süvaõpe on masinõppe alamhulk, mis kasutab mitmekihilisi närvivõrke ja kipub hästi toimima mürarikaste, struktureerimata sisendite, näiteks piltide või heli puhul. Paljud süsteemid kombineerivad lähenemisviise, selle asemel et tugineda ühele tehnikale.

Milliste probleemide lahendamiseks sobib tehisintellekt kõige paremini?

Tehisintellekti tehnoloogia on eriti tugev mustrituvastuses, prognoosimises, keeleülesannetes ja otsuste toetamises. Levinud näideteks on rämpsposti tuvastamine, klientide lahkumise ennustamine, tugiteenuse piletite suunamine, kõne tekstiks teisendamine ja visuaalsete defektide tuvastamine. Generatiivset tehisintellekti kasutatakse sageli mustandite koostamiseks, kokkuvõtete tegemiseks või ideede genereerimiseks, samas kui tugevdusõpe aitab optimeerimisprobleemide lahendamisel ja agentide koolitamisel preemiate ja karistuste kaudu.

Miks tehisintellekti mudelid triivivad ja kuidas vältida jõudluse langust?

Mudeli triiv toimub siis, kui tingimused muutuvad – uus kasutajakäitumine, uued tooted, uued pettusemustrid, muutuv keel –, samal ajal kui mudelit treenitakse vanemate andmete põhjal. Jõudluse languse vähendamiseks jälgivad meeskonnad tavaliselt pärast turuletoomist peamisi mõõdikuid, määravad häirete läviväärtusi ja planeerivad perioodilisi ülevaateid. Triivi tuvastamisel aitavad tulemuste usaldusväärsust tagada ümberõpe, andmete värskendamine ja inimeste abiga varundamine.

Kuidas valida konkreetse kasutusjuhtumi jaoks õige tehisintellekti tehnoloogia?

Alusta tulemuse ja parandamist vajava mõõdiku määratlemisest, seejärel hinda oma andmete kvaliteeti, eelarvamuste riske ja omandiõigust. Levinud lähenemisviis on valida kõige lihtsam meetod, mis suudab nõuetele vastata – mõnikord on reeglid masinõppest paremad ja klassikaline masinõpe suudab struktureeritud „tabelid + trendid” andmete puhul süvaõppest paremini läbi lüüa. Planeeri integratsiooni, latentsust, õigusi, jälgimist ja ümberõpet – mitte ainult demot.

Millised on tehisintellekti tehnoloogia suurimad riskid ja piirangud?

Tehisintellekti süsteemid võivad anda kallutatud või ebaõiglasi tulemusi, kui treeningandmed peegeldavad ühiskondlikku ebavõrdsust. Generatiivne tehisintellekt võib ka „hallutsineerida“, tekitades enesekindlalt kõlavat väljundit, mis ei ole usaldusväärne. Samuti eksisteerivad turvariskid, sealhulgas kiire süstimine ja andmete mürgitamine, ning meeskonnad võivad muutuda väljunditest liiga sõltuvaks. Pidev juhtimine, testimine ja inimeste järelevalve on võtmetähtsusega, eriti kõrge panusega töövoogude puhul.

Mida tähendab tehisintellekti tehnoloogia puhul „juhtimine” praktikas?

Juhtimine tähendab tehisintellekti loomise, juurutamise ja hooldamise kontrollide kehtestamist, et vastutus jääks selgeks. Praktikas hõlmab see eelarvamuste kontrollimist, privaatsus- ja turvakontrolli, inimeste järelevalvet suurte mõjude korral ning auditeeritavuse logimist. See tähendab ka riskijuhtimise käsitlemist elutsükli tegevusena – koolitus, valideerimine, juurutamine ning seejärel pidev jälgimine ja värskendused vastavalt tingimuste muutumisele.

Viited

1. OECD – tehisintellekti süsteemide definitsioon/raamistik

2. NIST - Tehisintellekti riskijuhtimise raamistik (AI RMF 1.0) PDF

3. Ühendkuningriigi ICO – tehisintellekti ja andmekaitse juhend

4. IEEE Standardiühing - autonoomsete ja intelligentsete süsteemide eetika ülemaailmne algatus

5. Stanfordi HAI - Teave

Leia uusim tehisintellekt ametlikust tehisintellekti abilise poest

Meist