ความท้าทายของ AI ที่รับผิดชอบ

การจัดการข้อมูล AI อย่างรับผิดชอบ

Maria Prokofieva

Lead ML Engineer

แนวปฏิบัติการจัดการข้อมูลอย่างรับผิดชอบในโลกจริง

 

• มีความซับซ้อน

 

• ต้องแลกเปลี่ยนระหว่างปัจจัยต่าง ๆ

 

• ต้องอาศัยดุลยพินิจจากผู้เชี่ยวชาญ

การแลกเปลี่ยนที่พบบ่อย

 

 

 

• กำไรเหนือความเป็นธรรมและความเป็นส่วนตัว

• รายได้เหนือการทดสอบและความปลอดภัย

โมเดลที่ผ่านการฝึกมาแล้ว (Pre-trained models)

• ลดต้นทุน

• ประหยัดเวลาและทรัพยากร

• ไม่ต้องเก็บข้อมูลหรือฝึกโมเดลใหม่

• อาจมีอคติในข้อมูลที่ใช้ฝึก

• ขาดความโปร่งใส

การใช้โมเดลที่ผ่านการฝึกมาแล้ว

• ตรวจสอบแหล่งที่มาของโมเดลอย่างรอบคอบ
• ชื่อเสียงที่ดี
• ความน่าเชื่อถือ
• ทบทวนเอกสารประกอบโมเดล
• ทดสอบเพิ่มเติมด้านความเป็นธรรมและอคติ

 

 

• ความแม่นยำเหนือความเป็นธรรม
• แม้ในชุดข้อมูลที่สมดุล

การแลกเปลี่ยนด้านความแม่นยำ

• ความแม่นยำต่ำลงสำหรับบางกลุ่ม
• ไม่คำนึงถึงคุณภาพหรือปริมาณข้อมูลของกลุ่มที่มีตัวแทนน้อย
• ความเป็นส่วนตัวลดความแม่นยำ

การแลกเปลี่ยนด้านความทนทาน

 

• ความทนทานเทียบกับอคติ

• ความทนทานเทียบกับความเป็นธรรม

หลักจรรยาบรรณและหน้าที่ความรับผิดชอบของผู้เชี่ยวชาญ

• จรรยาบรรณและหลักจริยธรรม

• แนวทางแตกต่างกันตามประเทศและองค์กร

• ความรับผิดชอบ การไม่ก่อให้เกิดอันตราย ความเป็นธรรม

• ความเป็นส่วนตัวและการรักษาความลับของผู้ใช้
• ผลกระทบเชิงบวกต่อสังคม
• รักษามาตรฐานสูง
• พัฒนาระบบที่แข็งแกร่งและปลอดภัย
• ครอบคลุมและไม่เลือกปฏิบัติ

 

¹ https://www.acm.org/code-of-ethics

มาฝึกกันเถอะ!

การจัดการข้อมูล AI อย่างรับผิดชอบ