fbpx

คำถามสำคัญ 6 ข้อที่คุณไม่ควรมองข้ามหากต้องการข้อมูลที่ไม่ลำเอียงจาก AI 

04 Nov คำถามสำคัญ 6 ข้อที่คุณไม่ควรมองข้ามหากต้องการข้อมูลที่ไม่ลำเอียงจาก AI 

 

การแก้ไขความลำเอียงของข้อมูลที่ได้จาก AI หรือ Algorithm เป็นเรื่องยากที่ต้องวางแผนและกรอบแนวทางการทำงานเป็นอย่างดี

 

จากนี้ต่อไปเราควรทำอย่างไร

ในฐานะผู้บริหารธุรกิจ คุณควรกำหนดคำจำกัดความของความเป็นธรรมและคุณลักษณะที่ควรได้รับการคุ้มครอง (ตัวอย่างเช่นเพศและเชื้อชาติ) สำหรับตัวอย่างของบริษัทบัตรเครดิต เช่น การนำประเด็นเรื่องความเป็นธรรมของกลุ่มเมื่อเทียบกับความเป็นธรรมต่อบุคคล ลองพิจารณาบริษัทบัตรเครดิตที่ใช้ Algorithm โดยใช้ข้อมูลประวัติเพื่อคาดการณ์ว่าบุคคลที่สมัครรับข้อเสนอสินเชื่อบางประเภทนั้นมีความเสี่ยง“ ดี” หรือ“ ไม่ดี” ในสถานการณ์ใด ๆ คุณจะต้องพิจารณาว่าตัวแปรใดที่ได้รับการคุ้มครองเพื่อพิจารณาได้ถึงผลลัพธ์ที่เป็นธรรม – และการตัดสินใจของใครที่จะตัดสินว่าใครควรเป็นกลุ่มนั้น ในตัวอย่างนี้เป้าหมายคือการปฏิบัติต่อผู้สมัครบัตรเครดิตทั้งชายและหญิง ทุกสีผิว ทุกเชื้อชาติ อย่างเป็นธรรม

ผู้พัฒนา AI จะต้องตระหนักถึงผลลัพธ์ที่เป็นไปได้สองอย่าง: ผลบวกจริงและผลบวกเท็จ ผลบวกที่แท้จริงคือตัวอย่างที่โมเดลทำนายอย่างถูกต้องว่าผู้สมัครมีความเสี่ยงที่ดี ผลบวกที่ผิดพลาดเกิดขึ้นเมื่อลูกค้าที่มีความเสี่ยงต่ำแต่ได้รับคะแนนความเสี่ยงที่ดี คนในกลุ่มการบริหารความเสี่ยงของบริษัท จะเกี่ยวข้องกับการลดผลบวกที่ผิดพลาดเพื่อจำกัดความเสี่ยง เนื่องจากการมอบหมายความเสี่ยงที่ไม่ถูกต้องจะแปลเป็นความเสียหายที่อาจเกิดขึ้นกับบริษัทโดยตรง อย่างไรก็ตามเมื่อพวกเขาพยายามลดความเสียหายเหล่านี้ให้น้อยที่สุด พวกเขาไม่ต้องการให้เกิดการแบ่งแยกทางเพศ หรือเชื้อชาติ

 

คำถามสำคัญ 6 ข้อที่คุณไม่ควรมองข้ามหากต้องการข้อมูลที่ไม่ลำเอียงจาก AI 

 

ในบางกรณีเป้าหมายของธุรกิจด้วยมุมมองที่แตกต่างกัน ทำให้เรื่องยากขึ้น ตัวอย่างเช่น สำหรับข้อเสนอบัตรเครดิต ทีมการตลาดอาจต้องการออกบัตรให้ได้จำนวนมากที่สุด เพื่อเพิ่มส่วนแบ่งทางการตลาดของบริษัทและเพิ่มการรับรู้แบรนด์ ในขณะที่เป้าหมายของทีมอื่นมีความเสี่ยงคือ ความเสียหายที่อาจเกิดขึ้นเมื่อลูกค้าไม่ควรได้รับเครดิต จึงต้องหาวิธีการกรองเอาลูกค้าที่ไม่ใช่ออก และเนื่องจากไม่มีวิธีใดที่จะสร้างความพึงพอใจให้กับทั้งสองทีมได้อย่างสมบูรณ์ พวกเขาจึงต้องสร้างสมดุลที่ทุกฝ่ายสามารถดำเนินงานต่อไปได้ แต่ยังคงสนับสนุนมาตรฐานด้านจริยธรรมและเป้าหมายทางธุรกิจขององค์กร

เนื่องจากความเป็นธรรมเป็นโครงสร้างทางสังคม ต้องการการมีส่วนร่วมและการอภิปรายอย่างแข็งขันในระหว่างทีมคนทำงานและเจ้าของธุรกิจ เพื่อช่วยกันตัดสินใจว่าอะไรคือความเป็นธรรมที่เหมาะสมสำหรับทุกสถานการณ์

 

ในทุกกรณีการถามคำถามต่อไปนี้สามารถช่วยชี้นำการสนทนาและมุ่งเน้นไปที่เป้าหมายที่แท้จริงของการใช้ระบบ AI ได้ชัดเจนยิ่งขึ้น

 

What decision is being made with the help of the algorithmic solution?

การตัดสินใจใดที่ทำด้วยความช่วยเหลือของโซลูชัน Algorithm?

 

What decision maker or functional business group will be using the algorithmic solution?

ผู้มีอำนาจตัดสินใจหรือกลุ่มธุรกิจที่ทำงาน คนกลุ่มไหนคือคนที่จะใช้โซลูชัน Algorithm?

 

What are the protected attributes to which we want to be fair?

ในกรณีไหนบ้างที่เราต้องการให้มีความเป็นธรรมเกิดขึ้น?

 

Who are the individuals and groups that will experience the ramifications of the treatment and outcome?

ใครคือบุคคลและกลุ่มคนที่จะได้รับผลกระทบจากการกระทำและผลลัพธ์ที่อาจเกิดขึ้น?

 

Can we clearly communicate the steps we’ve taken in designing the system to treat those affected by it fairly?

เราสามารถอธิบายถึงขั้นตอนที่เราได้กระทำไปอย่างชัดเจนในการออกแบบระบบ เพื่อรักษาสิ่งที่อาจได้รับผลกระทบจากมันในภายหลังหรือไม่?

 

How will we explain the decision-making process to key stakeholders?

เราจะอธิบายกระบวนการตัดสินใจในแต่ละขั้นตอนต่อผู้มีส่วนได้เสียที่สำคัญได้อย่างไร?

 

การตัดสินใจใด ๆ โดยเฉพาะอย่างยิ่งจากมนุษย์แล้ว ไม่ว่าจะเลือกทางใดก็อาจเกิดทำให้คนหนึ่งคนหรือมากกว่านั้นที่ได้รับผลกระทบ แต่การสำรวจปัญหาเหล่านี้สามารถนำคุณเข้าใกล้หนทางสู่ความสำเร็จในการรับผิดชอบต่อสิ่งที่อาจเกิดขึ้นจาก AI เพื่อช่วยสร้างสมดุลระหว่างเป้าหมายทางธุรกิจและข้อกังวลด้านจริยธรรม ในขณะเดียวกันก็สร้างความเชื่อมั่นให้กับลูกค้าและผู้มีส่วนได้เสียอื่น เพราะสุดท้ายแล้ว การทำให้ทุกฝ่ายมั่นใจได้ว่าระบบ AI นั้นเชื่อถือได้ เราต้องจัดการข้อกังวลด้านจริยธรรมไปพร้อมๆกันกับการวางเป้าหมายทางธุรกิจอย่างถูกต้องและเหมาะสมจากทุกฝ่ายร่วมกัน

 

อ้างอิงจาก

  1. technologyreview.com

https://www.technologyreview.com/s/612876/this-is-how-ai-bias-really-happensand-why-its-so-hard-to-fix/

  1. strategy-business.com

https://www.strategy-business.com/article/What-is-fair-when-it-comes-to-AI-bias?gko=827c0

  1. zdnet.com

https://www.zdnet.com/article/what-is-bias-in-ai-really-and-why-cant-ai-neutralize-it/

  1. techsauce.co

https://techsauce.co/tech-and-biz/is-ai-biased-really-a-thing-and-how-to-tackle-it

 

บทความที่เกี่ยวข้อง

–  เมื่อเราพูดถึง AI คุณนึกถึงอะไร? (1)

–    อนาคตของ AI และตัวอย่างภาคธุรกิจที่น่าจับตามอง (2)

–    ประโยชน์ของ AI กับการใช้งานในภาคธุรกิจ (3)

–    AI ก้าวหน้าหรือน่ากลัว? (4)

–    รู้หรือไม่ว่าข้อมูลจาก AI หรือ Algorithm ก็มีความลำเอียง – เพราะอะไร?

–   4 ความท้าทายที่ถือว่ายากในการลดข้อมูลอคติจาก AI 

–    คำถามสำคัญ 6 ข้อที่คุณไม่ควรมองข้ามหากต้องการข้อมูลที่ไม่ลำเอียงจาก AI 

 

——————————————–

 

 

 

About Matana Wiboonyasake

Digital Marketing Executive | Aware Group ตั้งใจที่จะส่งมอบเนื้อหาที่เป็นประโยชน์ เขียนให้อ่านง่ายและเข้าใจง่าย แม้ผู้ที่ไม่มีความรู้ทางด้านเทคโนโลยีมาก่อนก็สามารถศึกษาร่วมกันได้ ยินดีที่จะนำเสนอเรื่องราวน่าสนใจด้านเทคโนโลยี มาร่วมเรียนรู้ด้วยกันนะคะ