5．清理數(shù)據(jù)

機器學習系統(tǒng)的行業(yè)與它們所依賴的數(shù)據(jù)一樣好。對于許多組織而言，數(shù)據(jù)質(zhì)量仍然是一個主要問題。在最壞的情況下，糟糕的數(shù)據(jù)可能導致組織做出不準確甚至道德上受到損害的決策。

另一方面，擁有準確、最新的數(shù)據(jù)會增加人工智能應用程序產(chǎn)生積極經(jīng)濟利益的可能性。Information Builders數(shù)據(jù)管理卓越中心的國際主管James Cotton在一次采訪中表示，“當分析應用于管理良好的數(shù)據(jù)時，其回報要大得多�？梢郧宄�地了解組織擁有什么，來自何處以及如何使用它會帶來更大的回報。“

6．檢查模型是否存在偏差跡象

數(shù)據(jù)科學家不僅需要確保他們的數(shù)據(jù)是干凈的，而且他們還需要確保他們的數(shù)據(jù)和數(shù)據(jù)模型不包含任何偏差。這個問題可能會以幾種不同的方式無意中進入到機器學習模型中。

首先，組織可能有不完整的訓練數(shù)據(jù)。例如，如果企業(yè)只使用歐洲面孔訓練其面部識別系統(tǒng)，那么當系統(tǒng)難以識別非洲或亞洲面孔時，人們不應對此感到驚訝。

其次，許多數(shù)據(jù)集包括歷史偏差。例如，一些職業(yè)（例如護理或工程）在傳統(tǒng)上一直是由性別主導的。如果組織根據(jù)這些歷史數(shù)據(jù)訓練基于人工智能的人力資源系統(tǒng)選擇面試候選人，可能會意外地出現(xiàn)偏見，甚至可能觸犯反歧視法規(guī)。

7．監(jiān)控調(diào)查結(jié)果和反饋

而數(shù)據(jù)科學家通常表示，沒有數(shù)據(jù)模型是完美的。他們所能期望最好的情況就是隨著時間的推移而改進。這意味著人類需要監(jiān)控系統(tǒng)來尋找潛在的道德問題。許多已發(fā)布人工智能指南的組織表示，所有人工智能技術(shù)都需要對人類負責。但一些人卻表示，只是問責是不夠的；人類監(jiān)管者需要積極跟蹤人工智能的行為和與人類的互動，并在必要時作出調(diào)整，以確保人工智能技術(shù)不會跨越任何道德界限。

8．確�？梢猿废�人工智能所做的任何決定

在相關(guān)的說明中，組織需要能夠撤消人工智能所做出的任何決定。Forrester公司建議，組織開發(fā)的人工智能系統(tǒng)從根本上需要是健全的、可評估的、包容、可逆的，這意味需要設計可更改的人工智能系統(tǒng)，而且可能還需要為信貸決策等事項設立人工智能上訴委員會。

AI Now研究所進一步指出，“技術(shù)工作者的組織和抵制已經(jīng)成為一種責任和道德決策的力量。技術(shù)公司需要保護工人的組織能力、揭發(fā)信息的能力，并在他們從事的項目上做出道德選擇。這應包括明確的政策，以適應和保護有責任心的反對者，確保工作人員有權(quán)知道他們在做什么，并有能力在沒有報復或懲罰的情況下放棄此類工作。”

9．成立人工智能道德咨詢委員會

包括谷歌公司在內(nèi)的多家科技公司已成立人工智能道德咨詢委員會，以幫助指導他們使用人工智能。雖然讓一群局外人監(jiān)督組織的人工智能工作可能有助于建立公眾信任，但也可能適得其反。一些組織因任命人工智能道德委員會成員而受到批評，有些人對此表示反對。

雖然成立人工智能道德委員會可能存在一些問題，但在缺乏監(jiān)管法規(guī)或行業(yè)標準的情況下，它們可能是組織說服公眾的最佳機會，即通過沒有既得利益的人員監(jiān)督人工智能的發(fā)展。