För dem som arbetar inom STEM -sektorer är det en färdighet att veta hur man säkert och hållbart utnyttja AI.
Artificiell intelligens (AI) i höger händer kan ge användaren möjlighet att vara mer kreativ, snabb och exakt i sitt arbete. Men avancerad teknik slutar ofta med att användas omedvetet eller medvetet felaktigt, av skäl som varierar från en enkel brist på träning till målmedvetet, skadligt beteende.
Regeringar över hela världen kämpar med sin individuella AI -politik. USA, till exempel har börjat demontera att många av de skyddsåtgärder som införts av före detta president Joe Biden.
I Storbritannien kreativt innehåll Rages on, med mer än 1 000 artister inklusive Kate Bush och Annie Lennox som har bidragit till ett tyst album i protest mot föreslagna förändringar i Storbritanniens upphovsrättslag som skulle göra det möjligt för AI -utvecklare att utbilda sina modeller med hjälp av upphovsrättsskyddat material om inte ett ”Opt Out” valdes.
Det har kommit till en punkt där individen behöver se till att de har färdigheter att engagera sig med AI på ett sätt som är etiskt utan att kompromissa med dess effektivitet. Men hur kan det uppnås?
Maskininlärningsförspänning
Maskininlärningsmodeller (ML), för alla deras fördelar, är ofta utan tvekan partiska. Oavsett vem som är hjärnan bakom utbildningen är det praktiskt taget omöjligt för skaparen att inte påverka uppgifterna som informerar tekniken. Det är inte att säga att det är avsiktligt vilseledande, det är bara till anledning att data alltid kommer att påverkas av mänskligt engagemang.
Professionals som planerar på en karriär inom ett STEM -fält bör se till att de har en djup förståelse för hur ML -modeller, data och algoritmer är föremål för fördomar och partiskhet. De bör också känna till de tekniker som ska användas för att förbättra neutraliteten.
Tekniker att överväga inkluderar funktionsblindning, som tar bort identifierande attribut; Monotonisk selektiv risk, vilket förbättrar noggrannheten för underrepresenterade grupper; och motsatt klassificering, som gör det möjligt för användare att identifiera svaga platser i en modell för att förhindra framtida svagheter.
Programmering och mjukvaruteknik
Det är alltid bättre att närma sig ett problem med tankesättet att du så småningom kommer att lösa det själv. I grund och botten bör du sträva efter att vara den lösning du söker. STEM -proffs som är oroliga för den etiska karaktären av de system de använder i en arbetsförmåga kan dra nytta av att veta hur man bygger, använder och underhåller samma system.
Genom att bli skicklig i en rad programmeringsspråksom Python, Java, SQL och R, kan experter bädda in etiskt sunda rektorer i deras kod när de bygger AI -modeller. Genom att veta hur man konstruerar AI -system som automatiskt inkluderar skyddsåtgärder kan proffs arbeta med att veta att de gör allt som står i sin makt för att vara en säker, ansvarsfull och transparent AI -användare.
Systemintegration
Företag över hela världen använder AI -teknologier för att förbättra arbetskraften och förbättra vad deras organisationer kan erbjuda. För det mesta kommer de allra flesta företag att ha funnits före framsteg i AI, av den anledningen är det avgörande att proffs, särskilt de i STEM som ofta använder AI, vet hur man sömlöst kan integrera ny och gammal teknik.
Professionals bör se till att de fullt ut undersöker alla AI -verktyg som de tänker integrera för att bevisa att de passar bra. Detta kan fastställas via datakompatibilitet, molnfunktioner, avloppet på resurser och huruvida det uppfyller verksamhetens specifika behov eller inte.
Om det blir uppenbart att äldre system inte längre är kompatibla med nya och nya tekniker som AI, kan det vara dags att släppa det som inte fungerar och uppgradera digital infrastruktur. Därför är att ha STEM -proffs som är skickliga inom systemintegration ett plus för alla organisationer.
Eftersom AI vanligtvis används av företag för att skala och växa, bör experter som distribuerar ny teknik se till att de system de introducerar uppfyller nuvarande etiska standarder. Detta kan åstadkommas genom att ta hänsyn till var tekniken har kommit ifrån, hur den informerades och den inverkan den kan ha på samhället och hållbarhet.
