（文章來源：教育新聞網）

可以說人工智能(AI)無處不在。報紙和雜志上充斥著有關由于AI和機器學習(ML)技術而推出的最新進展和新項目的文章。在過去的幾年中，似乎所有必要的要素(功能強大，價格可承受的計算機技術，先進的算法以及所需的大量數據)都匯集在一起。我們甚至在消費者，企業和監管機構之間都普遍接受這項技術。據推測，在未來幾十年中，人工智能可能成為公司乃至整個國家的最大商業驅動力。

但是，對于任何新技術，在設計和使用方法上都必須考慮周全。組織還需要確保有人員來管理它，這通常是在急于實現預期收益的事后才想到的。在趕上潮流之前，值得退后一步，更仔細地觀察AI盲點可能在哪里發展，以及可以采取哪些措施來抵消它們。只有這樣，企業才能真正利用新技術(尤其是AI)從長遠來看為他們帶來的好處，以及它如何改變其業務的未來。

隨著AI和ML的發展步伐加快，同時對網絡犯罪的意識日益增強，組織必須確保他們考慮到任何潛在的責任。盡管如此，事實已經證明，對于開發人員在對他們的機器學習解決方案進行建模時，安全性，隱私和道德是低優先級的問題。

根據O'Reilly最近在企業調查中采用AI的情況，安全性是組織內最令人關注的盲點。實際上，將近73%的高級業務負責人承認，他們在模型構建過程中沒有檢查安全漏洞。此外，超過一半的組織在機器學習開發過程中也沒有考慮公平，偏見或道德問題。隱私同樣被忽略，只有35%的人在模型構建和部署過程中始終將隱私放在首位。

盡管在機器學習開發中缺乏對安全性和隱私性關注的關注，但是大多數資源都集中在確保AI項目準確且成功上。例如，有55%的開發人員可以緩解意外的結果或預測，但仍有很多人仍未離開。此外，有16%的受訪者在開發過程中根本沒有檢查任何風險。

盡職調查的缺乏可能是由于眾多內部挑戰和因素造成的，但是令人驚訝的是，這個問題的很大一部分是擁有完成開發過程中這些關鍵方面的技能和資源。實際上，技術中最長期的技能短缺集中在ML建模和數據科學上。為了在安全，隱私和道德方面取得進展，組織迫切需要解決此問題。

去年，人工智能的成熟度和使用率呈指數增長。但是，仍然存在許多障礙，無法使其達到臨界質量。為了確保AI和ML都能以大眾為代表，并且可以安全地使用它們，組織需要采用某些最佳實踐。

其中之一是確保構建AI模型的技術人員能夠反映更廣泛的人群。從數據集和開發人員的角度來看，這都可能很困難，尤其是在該技術處于起步階段時。這意味著開發人員必須意識到與預期與這些系統進行交互的各種用戶相關的問題，這一點至關重要。如果我們想創建適合所有人的AI技術-它們需要代表所有種族和性別。

隨著機器學習不可避免地變得越來越普及，對于公司而言，采用和超越該技術將變得越來越重要。機器學習，人工智能和數據驅動型決策的興起意味著數據風險遠遠超出了數據泄露范圍，現在包括刪除和更改。對于某些應用程序，數據完整性可能最終使數據機密性黯然失色。

我們將需要學習在不使用AI時總是有一個完美答案的前提下生活。這些AI系統從輸入的數據中學習，因此這取決于每個用例。我們可能永遠不會有正確的結果。沒有準確的清單來克服這些情況，我們必須學會適應并提供新的培訓和教育平臺。這些新的培訓平臺對于使AI成為未來幾年內所有種族和性別的代表至關重要。人才庫只會增長，但要確保其變得更加多樣化仍然是挑戰。

隨著AI和ML的自動化程度越來越高，組織必須投入必要的時間和資源來確保安全性和道德規范。為此，企業需要合適的人才和最佳數據。縮小技能差距并重新看待數據質量應該是來年的首要任務。
? ? ? （責任編輯：fqj）