AI pritaikymas tapo pritaikymu įmonėse. Tačiau svarbiausias veiksnys, skirsis laimėtojus nuo atsiliekančiųjų 2025 m., yra ne greitis, o pasitikėjimas.

autonominis ir tikslo siekiantis dirbtinis intelektas gali iš esmės pakeisti sektorius. Tačiau autonomija be atsakomybės kelia riziką. Vadovai turi atsakyti: Kaip užtikriname, kad šios sistemos būtų tikslios, sąžiningos, saugios ir atitiktų mūsų vertybes?

Čia pradedamas skaičiuoti valdymas, šališkumo šalinimas ir atsakingo dirbtinio intelekto sistemos. Be to, „Uber“ AI sprendimai padeda įmonėms atsakingai plėsti agentų dirbtinį intelektą.

Vadovai žino, kad greitis be apsaugos priemonių yra atskleistas. Patikėjimo sistemos turi būti sukurtos nuo pirmos dienos.

Sistemoms augant autonominei sistemai, kyla pavojaus galimybė:

• Šališkumo stiprinimas: Netikrinti mokymo duomenys lemia diskriminacinius rezultatus.
• Haliucinacijos: LLM generuoja įtikinamus, bet netikslius rezultatus.
• Neaiškios priežastys: Įmonės negali veikti dėl to, ko jos nesupranta.
• Sauga ir privatumas. Konfidencialūs duomenys turi būti izoliuoti ir atitikti reikalavimus.

Įmonės jau taiko griežtas kokybės sistemas, kad užtikrintų pasitikėjimą:

• Tarp anotatorių sutartis (IAA): Kelių vertintojų sutarimas dėl kokybės patvirtinimo.
• „Cohen'sKapa“ ir „Fleiss“Kappa“: statistiniai priemonė, skirta įvertinti anotacijų patikimumą tarp vertintojų.
• „Gold“ duomenų rinkiniai: Rekomenduoti pagrįstai pagrįsti pavyzdžiai palyginimui.
• SLA laikymasis: Tikslumas ir vykdymo laikas įtraukti į veiklos sutartis.

Šie kokybės rodikliai kuria stebimus, atkartojamus pasitikėjimo signalus, kuriais įmonės gali pasikliauti.

Šališkumas nėra tik techninis gedimas; tai kelia pavojų reputacijai ir reguliavimo reikalavimus.

Veiksmingos klimato kaitos mažinimo strategijos yra:

• Raudonų komandų bendradarbiavimas ir prieštaravimas: DI tikrinimas nepalankiausiomis sąlygomis, atsižvelgiant į šalinius ar kenksmingus raginimus.
• Ženklinimas konkrečiu atveju: Įvairių geografinių zonų, lyties ir lyties įvertinimų naudojimas siekiant sumažinti sisteminį šališkumą.
• Atsiliepimų ciklas: Tiesioginis auditas nuolat gerina sistemos sąžiningumą.
• Šališkumo kelionių suvestinės: modelio sprendimų ir demografinio poveikio matomumas realiuoju laiku.

Pavyzdžiui, atvejis: „Uber“ vidaus saugos modeliai pažymėjo šališkus atmetimo modelius partnerių vairuotojų registravimosi atveju. Peržiūrėjus duomenis ir įvedus bendru sutarimu pagrįstą vertinimą, buvo sumažintas šališkumas ir atkurtas sąžiningumas.

Norint vykdyti atsakingą dirbtinį intelektą reikia abstrakčias vertybes paversti konkrečiais praktika:

• Sąžiningumas: Įvairūs duomenų šaltiniai ir vertintojai.
• Atsakomybė: Audito maršrutai, paaiškinimo valdymo skydai, SLA stebėjimas.
• Skaidrumas: Dokumentuota modelio kilmė, duomenų rinkinio kilmė ir sprendimų priėmimo būdai.
• Sauga: Tikrinimas pagal itin blogas situacijas, šališkumas ir raudonų komandų sudarymas.
• Privatumas: Saugus duomenų izoliavimas ir atitikties patvirtinimai.

Kai įmonės įgyvendina šiuos principus, „Agent“ dirbtinis intelektas keičiasi iš pavojingos autonomijos prie patikimos autonomijos.

„Uber“ jau beveik dešimtmetį stengėsi derinti autonomiją ir pasitikėjimą savo operacijomis: nuo sukčiavimo aptikimo realiuoju laiku iki autonominių aptikimo sistemų. Dabar „Uber“ AI sprendimų komanda šį veiklos vadovą pateikia įmonėms.

Štai kaip mes jums padėsime:

• Daugiau nei 98 % kokybės standartai ir lygmuo 95 %.
• Visuotiniai nepriklausomi žmonės ir ekspertai: Daugiau kaip 8,8 mln. pajamų gavėjų visame pasaulyje siūlo įvairias vertinimo ataskaitas.
• „uLabel“ platforma: Automatinis išankstinis žymėjimas, bendro sutarimo modeliavimas, „Gold“ duomenų rinkinio patvirtinimas.
• „uUžduočių“ organizavimas: Užtikrinama sekimą visose darbo eigose bei stebėjimo realiuoju laiku suvestines.
• „uTest“ įvertinimas: Bendras komandos, pageidavimų duomenų rinkimas ir tiesioginis palyginimas, siekiant patikrinti saugumą.

• Atlikite dirbtinio intelekto tiekimo grandinės auditą – užtikrinkite, kad duomenų rinkiniai, anotacijos ir vertinimo kanalai būtų patikrinti šališkai.
• Priimkite rodiklius, kurie yra svarbūs – ne tik tikslumo, bet ir įvertinimo susitarimo, PLS laikymosi ir sąžiningumo rodiklius.
• Įtraukite HITL priežiūrą – žmogaus-ciklo modeliai užtikrina saugumą ten, kur jis svarbiausias.
• Bendradarbiaukite su patikimais tiekėjais – atsakingai dirbtiniu intelektu reikia patirties, pasiekiamumo visame pasaulyje ir domeno patirties.

2025 m. įmonės negali pasitikėjimo laikyti klaidinga. Tai turi būti agento dirbtinio intelekto priėmimo pagrindas.

Taikydami valdymą, šališkumo šalinimo ir atsakingo dirbtinio intelekto praktikas, vadovai gali įdiegti ne tik efektyvias, bet ir etiškas, sąžiningas ir saugias sistemas.

„Uber“ AI sprendimai padeda įmonėms įgyvendinti šį pasitikėjimą pasauliniu mastu, užtikrinant autonomiją ir atskaitomybę. Nes agento dirbtinio intelekto laikais pasitikėjimas nėra neprivalomas – tai yra vienintelis būdas pirmyn.