隨著AI的使用變得越來越普遍，僅“盡力而為”的數據科學家和組織就還不夠。隨著AI倡導者的興起，負責任的AI將成為人們的期望和標準。

近年來，數據和人工智能已在眾多行業中廣泛使用，以告知和塑造從醫療保健，零售到銀行和保險的戰略和服務。最近，在追蹤冠狀病毒的斗爭中，AI脫穎而出。

但是，隨著數字化生成數據量的增加，以及由AI支持的自動決策的需求，對于企業和政府而言，都對AI決策算法背后的推理提出了新的挑戰。

隨著AI將決策遠離那些影響決策的人，決策似乎變得更加殘酷，甚至可能變得粗心。對于組織而言，引用數據和算法作為不受歡迎的決策的理由并不少見，當受人尊敬的領導者犯錯時，這可能會引起關注。

除了可能做出錯誤的決策外，還存在AI偏見的問題。結果，引入了新法規來保護消費者權益并密切關注AI的發展。

負責任的AI的支柱

組織現在需要實施強大的AI。為此，他們必須以負責任的AI的三大支柱來加強和制定標準：可解釋性，問責制和道德規范。有了這些措施，各種類型的組織都可以確信他們正在制定合理的數字決策。

可解釋性：依賴于AI決策系統的企業應確保其具有適當的算法構造，該構造可捕獲決策變量之間的關系以得出業務決策。通過訪問此數據，企業可以解釋該模型做出決定的原因-例如，將交易標記為欺詐的高風險。然后，人類分析人員可以使用此解釋來進一步調查該模型的含義和準確性。決定。

問責制：必須正確構建機器學習模型，并重點關注機器學習的局限性和對所使用算法的仔細考慮。技術必須透明且合規。模型開發過程中的周到性可確保決策合理，例如分數隨著風險的增加而適當地適應。

除可解釋的AI之外，還有謙虛AI的概念-確保僅將模型用于與訓練模型相似的數據示例。如果不是這種情況，則該模型可能不可信，因此應降級為另一種算法。

倫理：必須以可解釋性和責任制為基礎，對倫理模型進行測試，并消除任何歧視。可解釋的機器學習架構允許提取通常隱藏大多數機器學習模型內部工作的非線性關系。這些非線性關系需要進行測試，因為它們是基于訓練模型的數據學習的，并且這些數據通常隱含地充滿了社會偏見。道德模型可確保明確測試和消除偏見和歧視。

強制執行負責任的AI的部隊

建立負責任的AI模型需要花費時間和艱巨的工作，而細致的持續審查對于實施持續負責的AI至關重要。審查必須包括監管，審計和倡導。

法規對于設定使用算法的行為標準和法治非常重要。但是，最終是否滿足法規要求，要證明與法規的一致性需要進行審核。

證明符合法規要求需要一個框架來創建可審核的模型和建模過程。這些審核材料包括模型開發過程，使用的算法，偏差檢測測試以及使用合理決策和評分的演示。如今，模型開發過程的審計是隨意進行的。

引入了新的基于區塊鏈的模型開發審核系統，以實施和記錄不可變的模型開發標準，測試方法和結果。此外，它們被用于記錄整個模型開發周期中數據科學家和管理層批準的詳細貢獻。

展望未來，僅憑數據和AI來“盡力而為”是不夠的。隨著AI倡導者的興起以及由于AI系統的錯誤結果而造成的實際苦難，負責任的AI很快將成為整個乃至全球的期望和標準。

組織必須立即執行負責任的AI，并加強和設定AI的可解釋性，責任制和道德標準，以確保他們在做出數字決策時表現負責。