چارچوب های اخلاقی در توسعه و اجرای سیستم های هوش مصنوعی

با افزایش موارد استفاده از 1 1 در دنیای واقعی، پیامد1'>های 1 شبیهسازی هوش انسانی در ماشینها نیز افزایش مییابد

محمود نوری شمس آباد ( معاون اداره کل تحقیقات و برنامه ریزی بانک سپه و عضو انجمن مدیریت ایران) 

منبع: MIT SMR Coections August 30, 2021

نشر در پایگاه اطلاع رسانیفابا نیوز  مورخ 20 اردیبهشت 1401

برای سالها، سازمانها از هوش مصنوعی برای خودکارسازی وظایف دستی و بهبود محصولات و خدمات استفاده می کردند اما با افزایش موارد استفاده از هوش مصنوعی در دنیای واقعی، پیامدهای اخلاقی شبیهسازی هوش انسانی در ماشینها نیز افزایش مییابد.

امروزه، رباتهای گفتگوی مبتنی بر هوش مصنوعی به بررسی کاندیداهای شغلی کمک میکنند، 1های تشخیص چهره، محل کار را از نفوذ متجاوزان در امان نگه میدارند و الگوریتمهای پیشرفته هوش مصنوعی روند بازار و تقاضاهای مشتریان در حال ظهور را پیشبینی میکنند. این مثالها مزایایی از افزایش بهرهوری و رفاه کارکنان تا دستاوردهای رقابتی را ارائه میکنند. اما آنها همچنین سؤالات مهمی را در مورد روش هایی که سازمان ها در جامعه عمل می کنند و اینکه چگونه سیستم های هوش مصنوعی می توانند بر حریم خصوصی، حقوق اساسی و ایمنی افرادی که قرار است به آنها خدمت کنند، تأثیر بگذارند، مطرح می کنند.

لیز گتور[1] استاد علوم کامپیوتر در دانشگاه کالیفرنیا سانتا کروز میگوید:«تا چند سال پیش، هوش مصنوعی تماماً در مورد بهینهسازی دقت برخی از دادههای آموزشی بود”. او میگوید، اما این تغییر کرده است، زیرا کسبوکارها تأکید فزایندهای بر «تأثیرات اجتماعی» میکنند که چه اتفاقی میافتد زمانی که سیستمهای هوش مصنوعی دچار نقص، فاسد شدن یا اتخاذ تعصبات انسانی شوند. این اشتباهات می تواند منجر به دعاوی پرهزینه، جریمه های قانونی، از دست دادن درآمد، آسیب به شهرت و بی اعتمادی گسترده به سیستم های هوش مصنوعی شود.

خوشبختانه، راههایی برای سازمانها وجود دارد که از مزیتهای رقابتی هوش مصنوعی بهره ببرند و در عین حال اعتماد را تقویت کنند، سوگیری را حذف کنند و اصول هوش مصنوعی را در بافت فرهنگی یک سازمان تعبیه کنند که در زیر به شش روش آن اشاره می گردد:

1. به 1 دهندگان آموزش دهید که چگونه از سوگیری اجتناب کنند.

وعده بزرگ هوش مصنوعی پتانسیل آن برای حذف ذهنیت و تعصب انسانی از فرآیندهای مهم تجاری، مانند استخدام کارمندان یا اعطای وام به مشتریان است. اما بدون اقدامات پیشگیرانه لازم، ممکن است برعکس این امر رخ دهد. مانند نمونه ای در سال 2014  که طی آن، آمازون دریافت، ابزار استخدام هوش مصنوعی ایجادی آنها، علیه زنان تبعیض آمیز است. دادههای آموزشی این مدل که برای شناسایی کاندیداهای شغلی برتر ایجاد شد، شامل رزومههای 10 ساله بود که عمدتاً توسط مردان ارائه میشد در نتیجه بهطور خودکار، رزومههایی را که شامل کلمه «زنان» میشد، را کاهش داد.

گتور میگوید: «بسیاری از اوقات، وقتی فردی از هوش مصنوعی در موقعیتهایی مانند غربالگری کاندیداها یا پیشبینی خطر تکرار جرم استفاده میکند، سعی میکند سوگیری انسانی را از بین ببرد. با این حال، بارها و بارها، افرادی که بهطور باورنکردنی خوشنیت هستند، دریافتهاند که هوش مصنوعی در واقع میتواند سوگیری بیشتری را تشدید کند.» او میگوید بخشی از مشکل این است که «متخصصان برای فکر کردن به سوگیری» و پیامدهای اخلاقی آن در هنگام طراحی و توسعه سیستمهای هوش مصنوعی آموزش ندیدهاند.

فرانچسکا روسی[2] موافق است. او که یکی از همکاران و رهبر جهانی اخلاق هوش مصنوعی در IBM است می گوید:  مهم است که طراحان و توسعهدهندگان بدانند که میتوانند هنگام انتخاب دادههای آموزشی یا زمانی که هر تصمیم دیگری در طول فرآیند توسعه هوش مصنوعی میگیرند، حتی بهصورت ناخودآگاه، تعصبات خود را به سیستم هوش مصنوعی تزریق کنند.»

به همین دلیل، روسی میگوید که IBM ابتکارات افزایش آگاهی را راهاندازی کرده است که برای آموزش توسعهدهندگان طراحی شده است تا آنها را نسبت به سوگیریهای ناخودآگاه آگاهتر کند و به آنها کمک کند تا این موضوع کلیدی اخلاق هوش مصنوعی را درک کنند.این دستورالعمل ها، که می تواند برای هر صنعتی اعمال شود، عبارتند از:

• برنامه ریزی منظم بررسی های تیمی برای جلوگیری از سوگیری های غیرعمدی[3]، از جمله کلیشه ای یا تفکر قالبی[4] ( پیشداوری در مورد افراد بر اساس گروه یا جامعهای که به آن تعلق دارند )، سوگیری تایید[5] (یعنی اطلاعاتی که عقاید قبلی شما را تایید میکند ارجح به نظر بیایند )و سوگیری هزینه غرق شده[6](هزینهای است که پرداخت شده است و دیگر قابل بازیابی نیست).
• ایجاد تیم های متنوع متشکل از افراد مختلف در سنین، قومیت ها، جنسیت ها، رشته های آموزشی و دیدگاه های فرهنگی برای تشخیص بهتر سوگیری.
• تشویق به مسئولیت پذیری بیشتر در میان توسعه دهندگان برای موفقیت سیستم های هوش مصنوعی با نگهداری سوابق دقیق از فرآیندهای طراحی و تصمیم گیری.
• نظارت مستمر بر داده ها و نتایج آموزشی به منظور پاسخگویی سریع به مسائل.
• بررسی زمان شناسایی سوگیری برای درک اینکه از کجا منشأ گرفته است و چگونه می توان آن را کاهش داد.

روسی میگوید سازمانها باید مسئول ارائه یک متدولوژی کامل به توسعهدهندگان در مورد نحوه دور زدن سوگیری باشند، مانند کارهایی که در طول فرآیند طراحی و توسعه انجام می دهند، از جمله بررسی سوگیری، کاهش و آزمایش، در حالی که اطمینان حاصل کنند که این فرآیندها تا حد امکان به آسانی پذیرفته می شوند و در شیوه های فعلی ادغام می شوند.

2. بر شفافیت و توضیح پذیری تأکید کنید.

شفافیت برای توسعه و استفاده مسئولانه از هوش مصنوعی بسیار مهم است. با این حال، اغلب اوقات، توسعهدهندگان حتی نمیدانند چرا یک مدل هوش مصنوعی به یک نتیجه یا یک نتیجه خاص رسیده است. برای اخلاقی بودن، هوش مصنوعی، باید قابل توضیح باشد، مخصوصاً هنگام تصمیم گیری های مهم تجاری.

ابی اورت ژاک[7]، پژوهشگر مرکز اخلاق در جامعه دانشگاه استنفورد، هشدار می دهد: «هوش مصنوعی می تواند به خوبی کار کند، اما ممکن است این کارکرد خوب، تصادفی باشد. ژاک میگوید بدون شفافیت و شفافیت بیشتر در مورد نحوه ساخت یک سیستم هوش مصنوعی، خطرات قابل توجهی ممکن است ظاهر شود. او میگوید که این موارد میتواند از موارد نقض اخلاقی تا «ندانستن زمانی که یک سیستم هوش مصنوعی ممکن است از کار بیفتد، به ویژه زمانی که در خارج از جهان است و در یک محیط کنترلشده نیست» متغیر باشد.

یک گام به سوی هوش مصنوعی شفافتر و قابل اعتمادتر، قابلیت « توضیح پذیری[8]» است یعنی مجموعهای از فرآیندها که به سازمانها کمک میکند تا عوامل مؤثری را که منجر به تصمیمگیری میشوند، درک کنند. برای این منظور، جامعه فنی می باید ابزارهایی ایجاد کند که تکنیک هایی را برای توضیح و تفسیر تصمیم گیری مدل هوش مصنوعی ارائه دهد که طی آن طیف وسیعی از الگوریتمهای توضیحپذیری به مخاطبان مختلف بر اساس انواع سؤالاتی که میخواهند پاسخ داده شوند، خدمات ارائه میکنند.به عنوان مثال، یک مشتری بانکی که درخواست وام مسکن او رد شده است، ممکن است بخواهد دلایل اصلی رد شدن و اینکه چه کاری می تواند انجام دهد تا نتیجه مطلوب تری داشته باشد را درک کند. از سوی دیگر، یک افسر حفظ حریم خصوصی دادهها میخواهد چندین نقطه داده و تصمیمگیری را برای درک بهتر رفتار یک سیستم هوش مصنوعی به عنوان یک کل و اطمینان از مطابقت آن با مقررات سختگیرانه بررسی کند.

یکی دیگر از ابتکارات متمرکز بر شفافیت، کار گروه تحقیقاتی   FATE (انصاف[9]، پاسخگویی[10]، شفافیت[11] و اخلاق[12] در هوش مصنوعی) است که در مایکروسافت پیامدهای اجتماعی پیچیده هوش مصنوعی، یادگیری ماشین، علم داده و اتوماسیون را بررسی می کند. پروژه ها شامل الگوهای برگه داده است که برای مستندسازی مجموعه داده های مورد استفاده برای آموزش و ارزیابی مدل های یادگیری ماشین استفاده می شود. هدف این الگوها تشویق سازندگان مجموعه داده است تا منابع احتمالی سوگیری در داده های خود را به دقت در نظر بگیرند و در عین حال شفافیت بیشتری را برای مصرف کنندگان برگه داده فراهم کنند.

3. هوش مصنوعی را در تمام چرخه زندگی خود کنترل کنید.

اگر سازمانها نتوانند هوش مصنوعی را در طول چرخه عمر خود از ایدهپردازی تا نتیجه نهایی کنترل کنند، حتی دادههایی که با دقت جمعآوری شده و آموزشدیده شدهاند، میتوانند نتایج مشکوکی به همراه داشته باشند. به گفته گتور ، این کار با همکاری رهبران کسب و کار و فناوری آغاز می شود تا در مرحله مفهومی، “نحوه عملکرد یک سیستم هوش مصنوعی از نظر تأثیر سازمانی و اجتماعی” را تعیین کنند.به عنوان مثال نصب سیستم های تشخیص چهره در محل کار را در نظر بگیرید، اگرچه به قصد محافظت از کارمندان در برابر مزاحمان بد طراحی شده است، اما نگرانیهای فزایندهای در مورد نحوه جمعآوری مجموعه دادههای تصاویر چهره افراد وجود دارد که میتوان آنها را بدون رضایت برای اهداف پلیدتر توزیع کرد.برای جلوگیری از عبور از مرزهای اخلاقی در مراحل اولیه توسعه، یک سازمان باید هوش مصنوعی را چیزی فراتر از یک چالش فناوری در نظر بگیرد، در عوض آن را بازتابی از ارزش های شرکتی خود بداند.

توماس مالون[13] ، استاد مدیریت در دانشکده مدیریت اسلون MIT و مدیر مؤسس مرکز اطلاعات جمعی MIT میگوید: «تقریباً هر فناوری را میتوان به روشهای خوب و بد استفاده کرد». بسیاری از مسائلی که مردم به آن به عنوان مسائل اخلاقی هوش مصنوعی فکر می کنند، در واقع فقط مسائلی هستند که به طور کلی خوب و بد می دانیم. ما آنها را به عنوان مشکلات هوش مصنوعی در نظر می گیریم، اما واقعاً اینطور نیست. در واقع، مالون میگوید، هوش مصنوعی میتواند بهعنوان یک ذرهبین عمل کند، سوگیریها و مجموعههای داده مشکوک را که از قبل در پایگاههای اطلاعاتی شرکتها وجود دارد، تقویت کند. به عنوان مثال در استفاده از هوش مصنوعی در استخدام کارمندان، می توان با استفاده از مجموعه دادههای موجود در استخدامهای موفق قبلی مدلی برای بررسی کاندیداهای شغل جدید ارائه داد. او میگوید: «از نظر ظاهری، فکر نمیکنم چیزی مشکلساز یا غیراخلاقی در مورد این عمل وجود داشته باشد. اما این موضوع را مطرح می کند که آیا افرادی که در گذشته در شرکت موفق بوده اند، به دلیل شایستگی فردی خود موفق بوده اند بوده اند یا نه، بلکه به دلیل ویژگی های جمعیت شناختی مانند نژاد یا جنسیت، موفق بوده اند.اگر اینگونه باشد، آیا ممکن نیست سیستم هوش مصنوعی چنین تبعیضی را تداوم بخشد.»

4. به دنبال پشتیبانی خارجی برای 1 های قوی و ابزارهای دقیق باشید.

کمیتههای اخلاق داخلی، متشکل از اعضای تیمهای متفاوت، میتوانند به سازمانها کمک کنند تا به سؤالات اخلاقی پیچیده رسیدگی کنند و در قبال ابتکارات هوش مصنوعی خود پاسخگو بمانند. با این حال، بسیاری از سازمانها ارزش افزوده را در تکیه بر نهادهای خارجی برای ارائه راهنمایی در مورد استفاده مؤثر از فناوری هوش مصنوعی، همراه با ابزارهای قوی، تشخیص میدهند که بی شک توانایی بهره برداری از یک مخزن عظیم تجربه، یکی از مزایای آن  است. از آنجایی که هوش مصنوعی میتواند بسیاری از جنبههای زندگی ما را لمس کند( و آنها را تهدید کند)، تنها راه ساخت و استقرار صحیح آن، این است که متخصصان فناوری با متخصصان در تأثیرات اجتماعی نوآوری همکاری کنند: اخلاقگرایان، دانشمندان علوم اجتماعی و غیره.

یکی از مزایای جستجوی کمک های خارجی برای اخلاق هوش مصنوعی: دیدگاه گسترده تر و عینی تر در مورد مسائل اخلاقی هوش مصنوعی است.بسیاری از فناوریها امکان تست و نظارت استاندارد را فراهم میکنند(بهترین روشهایی که شرکتها میتوانند به طور مکرر در بخشها و صنایع اعمال کنند) با این حال، مالون خاطرنشان می کند: «یک چیز منحصر به فرد در مورد اخلاق وجود دارد. «اگر خطرات امنیت سایبری را اندازه گیری می کنید، این سؤالات نسبتاً عینی هستند. اکثر مردم به اندازه کافی آگاه هستند که تعریفی مشابه از پاسخ درست داشته باشند. اما در مورد سؤالات اخلاقی، این همیشه درست نیست. افراد مختلف، نظرات متفاوتی درباره اینکه چه چیزی اخلاقی و چه چیزی غیر اخلاقی است دارند.

در حالی که نظرات کارکنان را می توان توسط همکاران شکل داد و تحت تأثیر مشوق ها قرار گرفت، اشخاص ثالث به احتمال زیاد راهنمایی مستقل در مورد مسائل اخلاقی ارائه می دهند و دیدگاه های متعدد را در نظر می گیرند. مالون میگوید: «دریافت پاسخهای عینیتر و قابلاعتمادتر از افرادی که با مشوقهای ارائهشده در سازمان، مانند جلب رضایت مدیر عامل، در تضاد نیستند، آسانتر است».

در عین حال، بسیاری از سازمان ها به دنبال منابع خارجی برای ابزارهای ارزشمند خود پلیسی[14]( ارزیابیهای مستقلی که سیستمهای هوش مصنوعی را با استفاده از طیف گستردهای از چارچوبهای ارزیابی و روشهای آزمایش بهشدت آزمایش و تأیید میکنند.) هستند. اینها شامل ممیزیهای اخلاقی و طراحی هوش مصنوعی میشود .در واقع، یک نظرسنجی IDC نشان میدهد که تنها 50 درصد از سازمانها گزارش دادند که چارچوبی رسمی برای تشویق ملاحظات اخلاقی، تعصب و اعتماد دارند که فضای زیادی برای بهبود باقی میگذارد.حتی سازمان های دولتی در حال ایجاد دستورالعمل های اخلاقی برای سیستم های هوش مصنوعی هستند. به عنوان مثال، در آوریل 2019، کمیسیون اروپا (EC ) دستورالعمل های اخلاقی هوش مصنوعی خود را منتشر کرد که توسط یک گروه مستقل از کارشناسان تهیه شده است. این دستورالعمل ها، هوش مصنوعی قابل اعتماد[15] را قانونی (“احترام به تمام قوانین و مقررات قابل اجرا”)، اخلاقی (“احترام به اصول و ارزش های اخلاقی”) و قوی، هم از نظر فنی و هم از نظر اجتماعی تعریف می کنند. برای واجد شرایط بودن به عنوان قابل اعتماد، ابتکارات هوش مصنوعی باید به الزامات زیر پاسخ دهد : عاملیت و نظارت انسانی[16]، استحکام فنی و ایمنی؛ حریم خصوصی و حاکمیت داده؛ شفافیت[17]؛ تنوع[18]، عدم تبعیض و انصاف؛ رفاه اجتماعی و محیطی و پاسخگویی.

5. با پرسیدن سؤالات سخت و نظارت بر سیستم های هوش مصنوعی، شک و تردید فراوانی را اعمال کنید.

گتور میگوید که تحت تأثیر پتانسیل هوش مصنوعی برای تقلید از هوش انسانی، «بسیاری از مردم هنگام تجزیه و تحلیل هوش مصنوعی به اندازه کافی انتقادی نیستند». “این فقط یک الگوریتم بهینه سازی است. اگر داده های بدی داشته باشید یا هدف ضعیفی داشته باشید، نتایج بدی خواهید داشت.”

آر دیوید ادلمن[19] ، مدیر سیاست عمومی در ابتکار تحقیقات سیاست اینترنت MIT و مشاور سابق فناوری ریس جمهور آمریکا(اوباما)، میگوید یکی از راههایی که رهبران فناوری میتوانند سیستمهای هوش مصنوعی خود را آزمایش کنند، حفظ درجهای از شک و تردید و پرسیدن سؤالات سخت است مانند : «این سیستم را چه کسی طراحی کرده است و مشوق ها چیست؟ اگر اشتباه کنند چه کسی پاسخگو است – چه کسی در معرض خطر است، برند چه کسی و شهرت چه کسی؟ این سیستم برای انجام چه کاری طراحی شده است و آیا این واقعاً همان کاری است که انجام می دهد؟ از چه داده هایی برای آموزش آن استفاده شده است؟ آیا مدل برای آن هدف خاص، طراحی شده است یا در حال تغییر کاربری است؟ و آیا ما به اندازه کافی کار کرده ایم تا به این فکر کنیم که چگونه می توان از آن سیستم سوء استفاده کرد؟

یکی دیگر از کاربردهای تفکر انتقادی شامل انجام فهرستی از تمام سیستم های هوش مصنوعی است. انجام این کار نه تنها به شناسایی ریسکهای بالقوه و ارزیابی تأثیر آنها بر ذینفعان مختلف کمک میکند، بلکه میتواند فناوریهای هوش مصنوعی را که بدون نظارت و حاکمیت مناسب توسعه مییابند، آشکار کند. علاوه بر این حمله پیشگیرانه، سازمان ها باید به نظارت مستمر بر سیستم های هوش مصنوعی برای کمبودهای احتمالی ادامه دهند تا تغییرات در داده ها، الگوریتم ها و حتی هنجارهای اجتماعی را در نظر بگیرند.همچنین باید قبل از استقرار کامل یک سیستم هوش مصنوعی، شک و تردید فراوانی داشت.

لوسیانو فلوریدی[20] ، استاد فلسفه و اخلاق اطلاعات در دانشگاه آکسفورد، سازمانها را تشویق میکند تا سناریوهای «چه میشود» را با آزمایش سیستم هوش مصنوعی قبل از استقرار بررسی کنند. او به مثال شرکتی اشاره میکند که به سرعت یک سرویس تحویل جدید در همان روز راهاندازی میکند، اما متوجه میشود که ناخواسته مناطقی با جمعیت اکثرا اقلیت را دور میزند. فلوریدی میگوید: «اگر سازمان نرمافزار خود را در آزمایشگاه آزمایش میکرد، بلافاصله متوجه میشد که قوانین آن بین جوامع تبعیض قائل میشود. تشخیص حاشیه خطا قبل از راهاندازی میتواند خطر آسیب به شهرت، مسئولیتهای قانونی و قرار گرفتن در معرض رسانهای ناخواسته را از بین ببرد.

6. اخلاق هوش مصنوعی را در فرهنگ شرکت خود قرار دهید.

از افزایش شفافیت تا اعمال احتیاط، مهارتها و بهترین شیوهها در مورد هوش مصنوعی باید در فرهنگ سازمان تعبیه شود تا تغییرات پایدار ایجاد شود. ژاک میگوید: «اگر به توسعهدهندگان آموزش داده شود که از مهارتهای اخلاقی به همان روشی که به آنها آموزش داده شده است به دنبال اشکالات در کد بگردند، استفاده کنند، آنگاه این به بخشی از تمرین روزانه آنها تبدیل میشود. برای آماده شدن برای این تغییر فرهنگی، سازمانها باید بر استراتژیهای نوآورانه تکیه کنند تا روشهای اخلاقی هوش مصنوعی را به پیش ببرند. به عنوان مثال، کارشناسان توصیه میکنند به توسعهدهندگانی که اقداماتی را برای اجتناب فعالانه از جانبداری، افزایش شفافیت در تصمیمگیری و طراحی مدلهای هوش مصنوعی که با ارزشهای شرکتی همسو هستند، پاداش دهند.رهبری برای گنجاندن اخلاق هوش مصنوعی در DNA یک سازمان اساسی است. “مهم است که اخلاقیات در اخلاق شرکت شما گنجانده شود. گتور میگوید، این باید بخشی از شخصیت شما به عنوان یک شرکت باشد. “این چیزی است که از رهبری ناشی می شود.”مالون موافق است. «اگر افراد صاحب قدرت در یک سازمان، اغلب به طور ضمنی از طریق رفتار خود، این را نشان دهند که نقض اخلاقی قابل تحمل نیست، آنگاه راحتتر میتوان از بروز نقضهای اخلاقی در نزد افرادی که به آن رهبران نگاه میکنند، جلوگیری کرد.”به همین دلایل، سازمانها نیز باید چارچوبهای اخلاقی خود را برای هوش مصنوعی اخلاقی توسعه، اجرا و به روز کنند. هیچ مجموعه ای از استانداردها همه احتمالات را پوشش نمی دهد، اما رویکردی که به رویکرد FATE یعنی انصاف، مسئولیت پذیری، شفافیت و اخلاق مربوط می شود، مطمئناً نقطه خوبی برای شروع است.

 نتیجه

فناوریهای هوش مصنوعی در همه جنبههای دنیای کسبوکار، از تولید کالا گرفته تا رفع نیازهای مشتریان، نفوذ کردهاند. مزیت های استراتژیک برای شرکت های همه صنایع واضح است، مشروط بر اینکه رویکردی اخلاقی برای هوش مصنوعی اتخاذ کنند. آموزش، توضیح پذیری، چارچوب های قوی، همه می توانند خطر سوگیری را به حداقل برسانند، اعتماد را تقویت کنند و به تأثیر اجتماعی مثبت منجر شوند.گتور  می گوید: «اخلاق یک تلاش آرمانی است. “شرکت ها باید همیشه به دنبال ایجاد یک سازمان بهتر و یک جامعه بهتر باشند.”

بر این اساس می توان چک لیستی از دستورات اخلاقی برای توسعه و 1 سیستم های هوش مصنوعی ترسیم نمود:

چک لیست چارچوب اخلاقی برای توسعه و اجرای سیستم های هوش مصنوعی

برای ایجاد موفقیت آمیز اصول اعتماد در هوش مصنوعی و در عین حال بهره مندی از مزایای رقابتی آن، اقدامات زیر را در نظر داشته باشید.

• به توسعه دهندگان آموزش و باز هم آموزش دهید تا درک خود را از مسائل جاری پیرامون رعایت اخلاق در هوش مصنوعی افزایش دهند و آگاهی خود را از هرگونه سوگیری ناخودآگاه افزایش دهند.
• تیم های علمی متنوعی را متشکل از افراد با سنین، جنسیت، قومیت ها و رشته های آموزشی مختلف ایجاد کنید. سعی کنید دیدگاههای فرهنگی جدید و روشهای مختلف تفکر را در تیم لحاظ کنید.
• از طیف وسیعی از ابزارهای توضیحپذیری هوش مصنوعی برای درک و تفسیر بهتر عوامل مؤثر در تصمیمگیری مدل هوش مصنوعی استفاده کنید.
• تعادلی بین نوآوری هوش مصنوعی ایجاد کنید و به طور مداوم هماهنگی مدل هوش مصنوعی با ارزش های شرکتی، یکپارچگی داده ها و مرزهای اخلاقی را زیر سوال ببرید.
• برای ممیزیهای اخلاقی و طراحی هوش مصنوعی به شرکای خارجی مراجعه کنید (ارزیابیهای مستقلی که سیستمهای هوش مصنوعی را با استفاده از طیف گستردهای از چارچوبهای ارزیابی و روشهای آزمایش بهدقت آزمون و تأیید میکنند.)
• فهرستی از همه الگوریتمهای هوش مصنوعی برای شناسایی ریسکهای بالقوه و ارزیابی تأثیر آنها بر ذینفعان مختلف تهیه کنید.
• استانداردها و اصول داخلی را برای اطمینان از استفاده اخلاقی از هوش مصنوعی ایجاد کنید. برای استفاده یا تطبیق کدهای موجود، از متخصص خارجی مشاوره بگیرید. اطمینان حاصل کنید که آنها به طور معمول اعمال می شوند و در صورت لزوم به روز می شوند.
• با مدلسازی رفتار اخلاقی و انتقال ارزش آن به کارکنان، رهبری را تشویق کنید تا نقش مهمی در گنجاندن اخلاق هوش مصنوعی در DNA سازمان ایفا کند.

[1] Lise Getoor

[2] Francesca Rossi

[3] unintentional biases

[4] stereotyping

[5] confirmation bias

[6] sunk-cost bias

[7] Abby Everett Jaques

[8] Explainability

[9] Fairness

[10] Accountability

[11] Transparency

[12] Ethics

[13] Thomas Malone

[14] self-policing

[15] trustworthy

[16] human agency and oversight

[17] transparency

[18] diversity

[19] R. David Edelman

[20] Luciano Floridi

 محمود نوری شمس آباد