智能社會：如何信任人工智慧！

在智能社會中，我們擁有智能汽車(也稱為自駕駛汽車或自主車輛)。我們期望通過交通管理更好地流動，通過這些車輛提供的廣泛而真實的數據推動交通管理，並利用智能演算法(例如基於ai)進行分析。我們現在所認識的智能社會最突出的細節是物聯網在最小層次上的普及。物聯網在微觀層面上的實現推動了自主學習演算法的需求，因此重點關注人工智慧。最終，他們共同努力形成一個智能的社會的更大圖景。

AI與演算法

智能的社會現在不僅僅是一個想像，現在是時候我們開始回答與它有關的真正問題了。機器學習在智能社會的整體實施中的作用是由人類無法以經典方式分析所有數據的簡單事實驅動的。「機器學習」這個詞已經提供了這些演算法中問題所在的一個指示詞。機器正在學習，也就是說，它並不一定遵循人類容易理解的邏輯。這給我們帶來了有趣的挑戰，即了解機器學習和演算法如何影響我們和智能社會的概念。技術哲學家葉夫根尼(葉夫根尼)為這種影響而創造的術語是「無形的帶刺鐵絲網」。

我們智能社會中無處不在的系統是由演算法驅動的。這意味著他們直接影響到我們的決策，我們的生活，所以我們應該明白這是如何運作的。以下是幾個例子：

目前，以數據為中心的應用程序已被廣大公眾廣泛採用。一個特定的移動應用程序給用戶提供了檢測癌症類型的機會，並且準確度高。

「簡單」演算法，比如預測天氣的方法已經影響到你如何計劃你的年齡。誰沒有改變他或她計划去海灘至少一次因為天氣預報暗示有雷暴預期？

我們在汽車和手機上擁有的導航系統決定了應該使用的最佳路徑。該決定是優化的，新數據來自所有可供選擇的路徑，我們的旅程。通過評估交通更新和其他影響，這些導航系統就能找到最好的導航系統。

人類現在依賴於這些系統，即使沒有意識到這一點，這也就是為什麼演算法被稱為「隱形鐵絲網」。

你能信任人工智慧嗎？

當我們評估演算法對我們生命的影響時產生的問題是：「我們能信任人工智慧嗎？」對於大多數個人和智能手機用戶來說，首先最重要的問題就是世界各地的公司都在使用數據。收集到的數據在哪裡，以及這些數據的分析如何與您的期望相符？這些都是所有用戶的重要問題，也是我們想要回答的問題。

雖然人工智慧和分析市場正在迅速發展，但信託赤字並沒有顯示出任何下降跡象。最近一些突出這一信任差距的統計數字是：

既然我們意識到當前的信任赤字，我們能做些什麼呢？在利益相關者之間建立信任的錨是什麼？畢馬威會計師事務所確認了這些問題：

數據分析過程和數據本身是否屬於頂級質量？當然，需求取決於領域和應用程序。銀行交易和醫療診斷比營銷活動對數據和數據分析過程的質量更加嚴格。

分析是否做了它打算做的事情？當數據或演算法被重用時，這變得尤為重要。為某目的收集或開發的數據或演算法並非每個定義適合於另一個用途。

是否使用了從倫理和監管角度考慮可以接受的數據和演算法？基於性別的或基於年齡的歧視通常被法律禁止。數據分析必須明顯符合所有法規，如在等。

當數據分析未能堅持上述錨時，會出現信任赤字。數據分析未能滿足信任的錨，是廣泛和眾所周知的。gps的死亡是人們因gps判讀失誤而迷路的常見術語，而閃電的聲譽導致了一種不可靠和不可預知行為的光環。有趣的是，足夠的不可預測性是你最不希望從機器上得到的東西，而不是滿足期望是獲得信任差距最快的途徑。其他快速的不滿和聲譽損害的方法是安全漏洞和意外偏見的發現。

智能的社會有一些有趣的連鎖反應，例如在責任領域。研究表明，62%多名d&a專業人員認為，由自我駕駛引起的事故是建立軟體和演算法的組織的責任。

如何信任人工智慧？

最後結果表明，數據科學家對於人工智慧中信任的建立起著至關重要的作用。數據科學家負責開發數據分析和度量指標，因此它們在構建信任機制方面發揮著重要作用。

已經存在著許多控制和框架，作為管制發展的一種手段。軟體質量和信息安全，以及財務建模的快速性等例子。事實原則也被建議為負責任的數據科學，代表公平、準確性、保密性和透明度；所有重要和必要的屬性。

另一個能產生信任的因素是設計倫理，通過設計來擴展隱私。設計一個系統，這樣就必須遵循正確的流程，即在技術上不可能繞過這些過程。只有正確的組織技術和技術措施結合起來才能使數據科學家正確地做正確的事情。

最後，第三方審查對於建立信任至關重要。這裡是畢馬威等擔保公司的情況。畢馬威已經對過去100年間財務報表進行了審計，現在已經進入數字保證。我們可以從財務報表審計工作如何運作中吸取寶貴經驗教訓。社會價值是至關重要的，也是致力於與社會信任的關係的意願。這要求採取平衡的辦法來實現透明度。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！