BIMONTHLY e-NEWS PROMOTING THE HR FUNCTION

Η Τεχνητή Νοημοσύνη στην Εργασία

Η Τεχνητή Νοημοσύνη στην Εργασία
Editorial
Editorial

Αγαπητοί Αναγνώστες,

Στις οθόνες σας ένα newsletter που μας απασχόλησε καιρό, ένα newsletter αφιερωμένο σε μια τεχνολογία χωρίς προηγούμενο, που τρέφει την φαντασία, τον φόβο και τις αφηγήσεις για την ίδια την ανθρωπινότητά μας.

Σε αυτό το τεύχος εξετάσουμε το παρόν της πιο πολυσυζητημένης, intelligent τεχνολογίας παγκοσμίως, της Τεχνητής Νοημοσύνης, και προσφέρουμε insights και απαντήσεις σε καίρια ερωτήματα για το αύριο της εργασίας και της κοινωνίας, μέσα από κείμενα εξειδικευμένων επαγγελματιών και συζητήσεις με σπουδαίους ειδικούς και επιστήμονες.

Ποιες είναι οι εφαρμογές της ΑΙ στο HR; Πώς αλλάζει το μέλλον της εργασίας με την επέλευση της ΑΙ; Τι σημαίνει πρακτικά συμπερίληψη στα data και debiasing των συστημάτων της ΤΝ; Ποια είναι τα ηθικά, νομικά και regulatory ζητήματα που αντιμετωπίζουμε παγκοσμίως στην εφαρμογή της ΑΙ;

Ο Σωτήρης Μπερσίμης, καθηγητής, εκλεγμένο μέλος του Διοικητικού Συμβουλίου του Ελληνικού Στατιστικού Ινστιτούτου και εκλεγμένο μέλος του International Statistical Institute γράφει για τις εφαρμογές της ΤΝ στο HR Management. Ο Παύλος Αβραμόπουλος εξετάζει σημαντικές πτυχές του νόμου της Ευρωπαϊκής Ένωσης (ΕΕ) για την ρύθμιση της χρήσης της Τεχνητής Νοημοσύνης (AI Act). Στη συνέχεια ο εξειδικευμένος στην ΤΝ επιστήμονας, ερευνητής και συγγραφέας, Γιώργος Ζαρκαδάκης μάς μιλάς για το Παρελθόν, το Παρόν και το Μέλλον της Εργασίας και τον αντίκτυπο της Τεχνητής Νοημοσύνης στις επιχειρήσεις και στην κοινωνία, ενώ η Δρ Agathe Balayn, ερευνήτρια στο ServiceNow, στο Τεχνολογικό Πανεπιστήμιο του Ντελφτ και στο Πανεπιστήμιο του Τρέντο, με διδακτορικό στην Επιστήμη Υπολογιστών μιλά για το AI Debiasing και τον τρόπο με τον οποίο οι οργανισμοί μπορούν να αντιμετωπίσουν το ζήτημα της συμπερίληψης στα data που τρέφουν τα μοντέλα των συστημάτων ΤΝ.

Ελπίζουμε να απολαύσετε και κυρίως να προβληματιστείτε δημιουργικά για όλα όσα συνθέτουν το μέλλον της εργασίας, της κοινωνίας αλλά και της συλλογικής μας συμβίωσης και φαντασίας.

EDITING TEAM FOR THIS ISSUE:

  • Αναστασία Μακαριγάκη
  • Δημήτρης Τζίμας
  • Μιρέλα Διαλετή 

ARTWORK FOR THIS ISSUE:

DESIGN + WEB:

EXTERNAL CONTRIBUTORS:

  • Σωτήρης Μπερσίμης
  • Παύλος Αβραμόπουλος
  • Γιώργος Ζαρκαδάκης
  • Agathe Balayn

LEGAL RESPONSIBLE:

Up Front
Up Front

Εφαρμογές της Τεχνητής Νοημοσύνης στον Τομέα του Ανθρώπινου Δυναμικού

Σωτήρης Μπερσίμης
Καθηγητής του Τμήματος Οργάνωσης και Διοίκησης Επιχειρήσεων του Πανεπιστημίου Πειραιώς
BIO

 

Η Τεχνητή Νοημοσύνη (ΤΝ) αντιπροσωπεύει μια εξελισσόμενη τεχνολογία που έχει αναδιαμορφώσει τον τρόπο λειτουργίας πολλών βιομηχανικών κλάδων.

Η ΤΝ αναφέρεται στην προσομοίωση της ανθρώπινης νοημοσύνης από μηχανές που προγραμματίζονται να μαθαίνουν και να λαμβάνουν αποφάσεις όπως οι άνθρωποι. Τα συστήματα ΤΝ μπορούν να επεξεργαστούν τεράστιες ποσότητες δεδομένων, να μαθαίνουν από αυτά και να λαμβάνουν ενημερωμένες αποφάσεις σε πραγματικό χρόνο. Στην καρδιά της ΤΝ θα βρει κανείς τις μεθόδους, τις τεχνικές και τους αλγορίθμους του τομέα της Στατιστικής Μηχανικής Μάθησης (ΣΜΜ).

Η ΣΜΜ αποτελεί μια εργαλειοθήκη από μεθόδους, τεχνικές και αλγορίθμους οι οποίες επιτρέπουν στις μηχανές να «μάθουν» μέσα από τα δεδομένα. Συγκεκριμένα, η ΣΜΜ επικεντρώνεται στην ανάπτυξη αλγορίθμων και μοντέλων που μπορούν να εξάγουν προβλέψεις ή να προβλέπουν τη συμπεριφορά συστημάτων μέσα από την αξιοποίηση των δεδομένων. Η ΣΜΜ από την πλευρά της βασίζεται σε μεθόδους της επιστήμης της Στατιστικής. Η διαδικασία μάθησης στη ΣΜΜ προσομοιάζει τον τρόπο μάθησης του ανθρώπου. Όπως ένας άνθρωπος μαθαίνει από την παρατήρηση και τις εμπειρίες, έτσι και η ΣΜΜ χρησιμοποιεί δεδομένα για να αναπτύξει μοντέλα και να κάνει προβλέψεις. Όπως ο άνθρωπος αναγνωρίζει πρότυπα στα δεδομένα και αντλεί συμπεράσματα, έτσι και η ΣΜΜ αναζητά πρότυπα και συσχετίσεις μεταξύ των δεδομένων. Ο άνθρωπος μαθαίνει συνεχώς από τα νέα δεδομένα και προσαρμόζει τις γνώσεις του. Με τον ίδιο τρόπο η ΣΜΜ διορθώνει και βελτιώνει τα μοντέλα της με την προσθήκη νέων δεδομένων. Ο άνθρωπος μπορεί να εφαρμόσει τις γνώσεις του σε νέα προβλήματα που αντιμετωπίζει. Εξίσου, η ΣΜΜ μπορεί να εφαρμοστεί σε νέα δεδομένα ή νέα προβλήματα για τη λήψη αποφάσεων ή την πρόβλεψη αποτελεσμάτων. Εν κατακλείδι, η ΣΜΜ αναπτύσσει μοντέλα που εξάγουν συμπεράσματα από δεδομένα, με τρόπο που μοιάζει με τον τρόπο μάθησης του ανθρώπου.


Στον τομέα του ανθρώπινου δυναμικού

η ΤΝ εισαγάγει σταδιακά σειρά από καινοτόμες εφαρμογές που συμβάλλουν, μεταξύ των άλλων, στη βελτίωση της διαδικασίας πρόσληψης, τη διαχείριση του ανθρώπινου δυναμικού καθώς και την ανάπτυξη των εργαζομένων.

Σε σχέση με την επιλογή προσωπικού η ΤΝ μπορεί να διαβάζει αυτόματα, να αναλύει και να κατατάσσει χιλιάδες βιογραφικά (καθώς και τα προφίλ των υποψηφίων στα κοινωνικά δίκτυα), υποστηρίζοντας τους υπεύθυνους ανθρώπινου δυναμικού να εντοπίζουν τους καταλληλότερους υποψηφίους για μια θέση.

Επιπλέον, η χρήση προηγμένων συστημάτων ΤΝ που αναλύουν σε πραγματικό χρόνο εικόνα και ήχο μπορεί να διευκολύνει τη διαδικασία συνέντευξης, παρέχοντας αρχικές αξιολογήσεις των υποψηφίων.

Ακόμα, η χρήση προηγμένων συστημάτων ΤΝ που κάνουν χρήση γενετικής ΤΝ (Gen AI) μπορεί να αυτοματοποιήσει τις παραδοσιακές εργασίες που συνδέονται με τη διαδικασία πρόσληψης, όπως η απάντηση σε ερωτήσεις υποψηφίων, η αποστολή προσωπικών email, κ.α.

Στο πλαίσιο της επιλογής, η έννοια του κατάλληλου υποψηφίου είναι μια ευρεία έννοια. Η ΤΝ για παράδειγμα, μπορεί μέσα από την ανάλυση των παρελθοντικών δεδομένων, να κατατάξει τους υποψηφίους σε κατηγορίες ανάλογα με την πιθανότητα που έχει να παραμείνει επί μακρά περίοδο στον οργανισμό. Μακρά παραμονή στον οργανισμό σημαίνει ελαχιστοποίηση του αρχικού κόστους onboarding και εκπαίδευση των νέων στελεχών του οργανισμού. Εν κατακλείδι, η ΤΝ δίνει σημαντικά οφέλη μειώνοντας σημαντικά τόσο το χρόνο όσο και το κόστος της διαδικασίας επιλογής ενώ παράλληλα βελτιστοποιεί τη επιλογή αυτή καθ’ αυτή των καταλληλότερων υποψηφίων (κατάλληλο προφίλ για την θέση).

Συνοψίζοντας, η ΤΝ κατά τη διαδικασία πρόσληψης δίνει τη δυνατότητα

  • Άμεσης, αυτοματοποιημένης συλλογής δεδομένων υποψηφίων από πολλές πηγές.
  • Διαμόρφωσης μιας σε βάθος αρχικής εικόνας των υποψηφίων (profiling) αναλύοντας μια εκτενή ομάδα παραμέτρων του βιογραφικού τους αλλά και δεδομένα εικόνας και ήχου από την συνέντευξή των υποψηφίων.
  • Προσδιορισμού υποψήφιων με χαρακτηριστικά που είναι συγκρίσιμα με τους υπαλλήλους με την υψηλότερη επίδοση στον οργανισμό.
  • Διασφάλισης ίσων ευκαιριών για όλους τους υποψηφίους δεδομένου ότι η αξιολόγηση βασίζεται στα δεδομένα.
  • Αυτοματοποίησης της διαδικασίας επικοινωνίας με τους υποψηφίους.

Σε σχέση με την τη διαχείριση του προσωπικού

η ΤΝ μπορεί να αναλύει την απόδοση των εργαζομένων με βάση τα δεδομένα τους, παρέχοντας εξατομικευμένες αξιολογήσεις και αναδεικνύοντας περαιτέρω ευκαιρίες βελτίωσης.

Παράλληλα, προγνωστικοί αλγόριθμοι ΤΝ μπορούν να προβλέψουν την πιθανότητα αποχώρησης ενός εργαζομένου και να προτείνουν δράσεις για τη διατήρηση του εφόσον αυτό είναι προς το όφελος της επιχείρησης/του οργανισμού. Επιπλέον, η ΤΝ μπορεί να δώσει προβλέψεις αναγκών ώστε οι οργανισμοί να καταστρώσουν τα στρατηγικά τους πλάνα.

Συνοψίζοντας η ΤΝ κατά τη διαδικασία διαχείρισης του προσωπικού δίνει τη δυνατότητα

  • Αυτοματοποιημένης αξιολόγηση του προσωπικού.
  • Πρόβλεψης των αποχωρήσεων το οποίο επιτρέπει στους ανθρώπους του ανθρώπινου δυναμικού να προβούν σε προληπτικές ενέργειες.
  • Πρόβλεψης αναγκών σε αν Συνοψίζοντας η ΤΝ κατά τη διαδικασία ανάπτυξης του προσωπικού δίνει τη δυνατότητα αθρώπινο δυναμικό, επιτρέποντας στους οργανισμούς να διαμορφώσουν στρατηγικά και μακροπρόθεσμα σχέδια ανάπτυξης του προσωπικού.

Σε σχέση με την ανάπτυξη των εργαζομένων

Η ΤΝ μπορεί να αναγνωρίζει αποτελεσματικά τις ανάγκες εκπαίδευσης και να προσφέρει προσαρμοσμένα εκπαιδευτικά προγράμματα, βοηθώντας στη συνεχή επαγγελματική ανάπτυξη των εργαζομένων.

Επιπλέον, η ΤΝ μπορεί να προτείνει εξατομικευμένα εκπαιδευτικά προγράμματα για την εκμάθηση νέων δεξιοτήτων των στελεχών, δεξιοτήτων που απαιτούνται στην θέση τους και στην καθημερινή τους λειτουργία. Ακόμα, η ΤΝ μπορεί να προσφέρει συμβουλές και οδηγίες για την προσωπική ανάπτυξη και την προώθηση της καριέρας ενός ατόμου μέσω εξειδικευμένων συστημάτων προτάσεων.

Συνοψίζοντας, η ΤΝ κατά τη διαδικασία ανάπτυξης του προσωπικού δίνει τη δυνατότητα

  • Αναγνώρισης αναγκών εκπαίδευσης και πρότασης προσαρμοσμένων εκπαιδευτικών σεμιναρίων
  • Πρόταση εξατομικευμένων εκπαιδευτικών προγραμμάτων για εκμάθηση δειξιοτήτων
  • Να δώσει συμβουλές και οδηγίες προσωπικής και επαγγελματικής ανάπτυξης

Με την αυτοματοποίηση των διαδικασιών του ανθρώπινου δυναμικού με ΤΝ, τα στελέχη του κλάδου μπορούν να μειώσουν σημαντικά το φόρτο εργασίας τους και να βελτιώσουν την απόδοση και την αποτελεσματικότητα τους, συμβάλλοντας στην ανάπτυξη και την ευημερία των επιχειρήσεων και οργανισμών. Περεταίρω, με την εκτενή χρήση ΤΝ τα στελέχη του ανθρώπινου δυναμικού ενός οργανισμού αλλά και επαγγελματίες που δραστηριοποιούνται στο χώρο μπορούν να επικεντρωθούν σε υψηλής αξίας στρατηγικές εργασίες, που υποστηρίζουν τις συνολικές στρατηγικές διαχείρισης του ταλέντου, των ικανοτήτων και της ανάπτυξης του προσωπικού των οργανισμών.

AI in HR
Be our guest
Be our guest

H TΝ ως επανάσταση &
η ΤΝ ως εξέλιξη

Συζητώντας με τον Γιώργο Ζαρκαδάκη

Γιώργος Ζαρκαδάκης
Chief Innovation Officer της Syndesis Health
BIO

Κύριε Ζαρκαδάκη, αναφέρετε στο βιβλίο σας «In Our Own Image, the History and Future of AI» πολλές ιστορικές τεχνολογικές αλλαγές στην εργασία λόγω της βιομηχανικής επανάστασης. Nα κάνουμε μια μικρή ιστορική αναδρομή και να μιλήσουμε λίγο για το πώς προβλέπετε ότι η τεχνητή νοημοσύνη επηρεάζει τη δυναμική της εργασίας στο σύγχρονο εργασιακό τοπίο;

Ιστορικά, υπήρχαν τρόποι με τους οποίους οι άνθρωποι εργαζόντουσαν πριν τη πρώτη βιομηχανική επανάσταση, κάνανε δηλαδή κυρίως γεωργική και εποχιακή εργασία, δούλευαν ανάλογα με τις περιόδους που έπρεπε να δουλέψουν και αυτό ήταν το pattern of work-me 10.000 χρόνια παρελθόν. Όλο αυτό ανατράπηκε με την βιομηχανική επανάσταση, η οποία οδήγησε σε ένα μοντέλο εργασίας που ουσιαστικά έκανε τους ανθρώπους υποταγμένους στις μηχανές. Τα ωράρια εργασίας, δηλαδή, ήταν αντίστοιχα των ωραρίων που το ρεύμα ήταν διαθέσιμο και η εργασία των ανθρώπων, πέρα ότι εξαρτάτο από μηχανές,  ήταν και πάνω σε μια γραμμή παραγωγής. Αυτό το μοντέλο εργασίας, που είχε κυριως να κάνει με εργάτες σε εργοστάσια, ακολουθήθηκε στη συνέχεια και για white collar jobs. Όλη η οικονομία μας βασίζεται στο concept που γεννήθηκε από αυτό το μοντέλο, το concept της παραγωγικότητας.

Τώρα μπαίνουμε σε μια περίοδο πάρα πολύ μεγάλων αλλαγων εξαιτίας της ΤΝ.

Το πρώτο που πρέπει να πούμε είναι ότι η τεχνολογια αυτή εξελίσσεται με άλματα.

Το μεγαλύτερο άλμα έγινε πρώτα το 2000, και ύστερα το 2020 έγινε ένα πελώριο άλμα, ένα άλμα το οποίο κανείς δεν περίμενε να γίνει. Το 2000- 2005 και ύστερα, μια προσέγγιση της ΤΝ που δεν ήταν η κυρίαρχη, και αυτή είχε να κάνει με τα νευρωνικά δίκτυα, γεννήθηκε λόγω φθηνότερου computational power και αύξησης της διάθεσής των δεδομένων, σε συνάρτηση με εξέλιξη σε κάποια στατιστικά μοντέλα μηχανικής μάθησης. Όλα αυτά έδωσαν στην ΤΝ την μορφή που έχει σήμερα, που είναι βασισμένη σε νευρωνικά δίκτυα (Neural Networks)- σε αντιδιαστολή με μια άλλη μορφή της ΤΝ, βασισμένη σε συμβολική λογική.

Ξαφνικά έχουμε συστήματα που μπορούν πχ να κάνουν αναγνώριση προσώπων. Το 2017 βγήκε ένα paper από ομάδα στην Google που μίλησε πρώτη φορά για μια προσέγγιση που λέγεται “transformers” και πάνω εκεί βασίζονται τα LLM-GENerative AI. Αυτό είναι τεράστιο γιατί, ενώ πριν είχαμε μια τεχνητή νοημοσύνη που ήταν “στενή”, δηλαδή κάθε σύστημα είχε μια συγκεκριμένη εφαρμογή, τώρα έχουμε ένα σύστημα general purpose intelligence που μας συμπεριφερεται όπως πιστεύαμε ότι θα μας συμπεριφέρεται η ΤΝ σε 20-30 χρόνια. Αυτό εξελίσστεια με τεράστια άλματα. Άρα, και λόγω ταχύτητας, δεν νομίζω ότι μπορούμε και με σχετική ασφάλεια να αντιδράσουμε. Ας πουμε οι regulators προσπάθησαν να καταλήξουν στο AI Act που βασίστηκε σε μια άποψη, αντίληψη και επίγνωση της ΤΝ που είναι πολύ πιθανόν ήδη να έχει ξεπεραστεί. Η μεγαλύτερη επίπτωση της ΤΝ σήμερα είναι, λοιπόν, η ταχύτητα.

Ας πούμε ένα παράδειγμα, όσον αφορά ζητήματα Πνευματικής Ιδιοκτησίας. Αυτά τα συστήματα γίνονται trained από το world wide web. Αν είστε συγγραφέας, καλλιτέχνης, φωτογράφος και εχετε γραψει ενα βιβλίο, το σύστημα θα μάθει το βιβλίο σας και, αν εγώ δώσω εντολή να γράψει ένα follow up όπως γράφει η συγγραφέας του, αυτό θα μου το γράψει όπως το γράφετε εσείς.

Υπάρχει στην οικονομία μια θεωρία που λέγεται “Lump of labor fallacy”. Ο περισσότερος κόσμος πιστεύει ότι υπάρχει μια συγκεκριμένη ποσότητα δουλειάς και αν έρθει κάποιος και μας πάρει τη μισή δουλειά θα μείνει η άλλη μισή. Πιστεύουμε ότι είναι πεπερασμένος ο όγκος της εργασίας που υπάρχει αυτή τη στιγμή στους εργαζόμενους. Αυτό όμως είναι fallacious. Η οικονομία μας δείχνει ότι δεν υπάρχει lump of labor αλλά το labor συνεχως αυξάνεται και εργασίες συνεχώς εφευρίσκονται. Τα LLMS έχουν ήδη emerging behaviors στις οποίες δεν έχουν εκπαιδευτεί να έχουν, κάνουν μαθηματικούς υπολογισμούς αλλά δεν ξέρουμε πώς τους έμαθαν ας πούμε. Όλα αυτά τα ερωτήματα που έχουν να κάνουν με  τη συμπεριφορα των συστημάτων αυτών δεν υπήρχαν. Άρα, εφευρέθηκαν επαγγελματα για την μελέτη της συμπεριφοράς αυτών των μηχανημάτων. Συνεχώς υπάρχουν νέες εργασίες και έτσι τόσο πιο γρήγορα τρέχουν οι άνθρωποι για να γίνουν upskilled. Η ανάγκη για upskilling αυτή θα γίνει ακόμα πιο επιτακτική. Αυτό θα γίνεται όλο και πιο απαραίτητο για να γίνουμε ανταγωνιστικοί και να αυξήσουμε την παραγωγικότητά μας.

Αυτό είναι το argument της Microsoft, μια εταιρεία μεγαθήριο που αναπτύσσει την ΤΝ, μια από τις λίγες να πούμε, με φοβερό μονοπώλιο, γιατί αυτή η ΤΝ χρειάζεται για να τρέξει υποδομές που στοιχίζουν δεκάδες εκατομμύρια δολάρια. Το ρεύμα που καίει το chat gpt για να λειτουργήσει είναι, ας πουμε, το ρεύμα που καίει η Ελλάδα. Μιλάμε για αυτά τα μεγέθη. Μια επιλογή που έγινε από τη Silicon Valley όταν είδαν ότι υπάρχει ένα μέλλον στο να αναπτύξουμε πολύ ισχυρή τεχνητή νοημοσύνη και τα χαρακτηριστικά ήταν πολλά data και πολύ computing power, ήταν να ρίξουν χρήματα για τους δύο αυτούς σκοπούς και έτσι αναπτύχθηκαν τα LLMs. Αυτές οι εταιρείες λοιπόν συντηρούν τα πάντα.

Έρχεται η Microsoft και χρησιμοποιεί για όλα αυτά τον όρο “Co pilot”. Σαν White collar worker, λοιπόν,  έρχομαι τώρα εγώ και έχω δίπλα μου ένα σύστημα ΤΝ που με βοηθάει να αυξήσω την παραγωγικότητά μου, το LLM με βοηθάει πχ να κάνω το PHD μου από 3 χρόνια σε ένα μήνα. Θα μου μαζέψει την πληροφορία, θα μου τη διαβάσει, θα μου την κάνει summarize και εγώ απλά θα το κατευθύνω και τελείωσε.

Με αυτόν τον τρόπο όμως δεν θα μπορούσαν αντίστοιχα τα συστήματα AI να απελευθερώνουν όμως και τον ίδιο τον εργαζόμενο από tasks που θα μπορούσαν να του παίρνουν πάρα πολύ ώρα και εκμάθηση και άρα να τον αφήσουν να αναπτύξει περισσότερα ας πούμε soft skills όπως επικοινωνιακότητα, ενσυναίσθηση κλπ; Να είναι πχ πιο δημιουργικός, πιο συνεργατικός;

Τα συστήματα GENAI που έχουμε τώρα μπορούν να κάνουν τεράστια δημιουργική δουλειά. 

Ας πάρουμε για παράδειγμα τον κινηματογράφο ή το θέατρο που είναι δημιουργικές δουλειές που όμως περιλαμβάνουν διαφορετικούς actors. Πιστεύω ότι με τα σύγχρονα συστήματα που έχουμε τώρα, θα μπορούσαμε να χρειαζόμαστε μόνο σκηνοθέτη, όλοι οι άλλοι είναι unemployed για αυτό το λόγο είχαμε και το strike στην Αμερική*. 

Όπως το Web εξαφάνισε τα paper media, τα τωρινά LLM, general purpose και δημιουργικά αλλάζουν όλο το σκηνικό της εργασίας σήμερα. Experts are in danger:Αν ξέρεις πώς να γράψεις π χ καλά prompts και διατυπώσεις αυτό που θες να κάνεις, τόσο καλύτερα το LLM θα σου δίνει απάντηση. Το νέο Skill είναι η ικανότητα να ρωτάει κανείς τις ερωτήσεις. Αυτό είναι το κομμάτι της εργασίας που θα παραμείνει ανθρώπινο. Όσον αφορά τις απαντήσεις, η ΤΝ το έχει καλύψει αυτό το κομμάτι. 

Τα LLMs πλέον εκπαιδεύονται και σε κοινωνικό context, ένα από τα μεγάλα προβλήματα που είχαμε στο ΑΙ ηταν το common sense. Την κοινή λογική ήταν δύσκολο για να το καταλάβει ένα σύστημα και να μπορέσει και μόνο του να το εφαρμόσει πριν το 2020. Ξαφνικά αυτό τα συστηματα το κάνουν. Έχουν common sense. Έχουν κοινή λογική. Δεν πιστεύω ότι υπάρχουν skills που δεν μπορούν αυτά τα μοντελα να αντικαταστήσουν. Όλη η ιδέα που είχαμε για το τι σημαίνει εργασία θα αλλάξει ριζικά. Δεν νομίζω ότι ο κόσμος είναι έτοιμος για κάτι τέτοιο. Πρεπει να αλλάξουν όλα τα institutions που έχουμε. Αν δει κανείς τώρα το πώς όλες οι ριζικές κοινωνικές, οικονομικές και λοιπές αλλαγές ακολούθησαν τις αλλαγές στην τεχνολογία, μια τέτοια τεχνολογική επανάσταση όπως τώρα θα φέρει τεράστιες αλλαγές. Η θα γίνει revolution ή θα γίνει evolution, που λέμε. Επανάσταση ή εξέλιξη. Οι έξυπνες κοινωνίες προσπαθούν να ρυθμιστούν από τώρα για να κανουν absorb αυτές τις αλλαγές και να επιλέξουν τον δρόμο της εξέλιξης. 

*Τον Μάιο του 2023, 11.500 μέλη του Writers Guild of America έκαναν απεργία, απαιτώντας δίκαιους μισθούς, καλύτερες συνθήκες εργασίας που απειλούνταν στην εποχή του streaming, και διαβεβαίωση ότι η τεχνητή νοημοσύνη δεν θα έπαιρνε τη θέση τους ως σεναριογράφος του μέλλοντος. 

Σε τι skills μπορεί να επενδύσει ένας εργαζόμενος που φοβάται ότι ενδεχομένως θα μείνει, ας πούμε, άνεργος. Ποιες ειναι οι επόμενες δουλειες του μελλοντος της ΤΝ;

Από οικονομικής άποψης, δεν θα χάσουν οι άνθρωποι τις δουλειές τους αύριο. Θα συνεχίσουν να τις κάνουν για καιρό, αλλά δεν θα πληρώνονται καλά. Οι κοινωνίες που δεν είναι έτοιμες με κοινωνική αντίληψη ανοιχτή στις αλλαγές, που αντιμάχονται αυτό το εξελικτικό ένστικτο-που είναι λογικό αλλά και έχθρος μας σε συλλογικότητες, γιατί ο κόσμος αλλάζει γύρω μας και πρέπει να προσαρμοζόμαστε- μια κοινωνία λοιπόν που δεν είναι έτοιμη, χωρίς εκπαιδευτικά ιδρύματα και πανεπιστήμια έτοιμα, θα γνωρίσει στασιμότητα. 

Και εδώ καταλαβαίνουμε ότι δεν είναι το ζήτημα μόνο ατομικό φυσικά αλλα και κοινωνικό, ζω σε μια κοινωνία που είναι ευέλικτη ή που αμύνεται; Και για αυτό, για παράδειγμα, θα δούμε και πολλή μεταναστευση των white collar workers από χώρες στις οποίες ό,τι και να κάνουν θα πληρώνονται το ίδιο ή λιγότερο, γιατί η οικονομία δεν θα ειναι ικανή να αυξήσει την παραγωγικότητά της. 

Είναι πολλά τα δυναμικά κομμάτια που θα παίξουν ρόλο στον τρόπο που αυτή η αλλαγή θα αποτυπωθεί σε επίπεδο ατομικό, οικονομικό, κοινωνίας και εθνών.

Λέτε λοιπόν ότι ακριβώς όπως οι κοινωνικοί φόβοι μπορεί να οδηγήσουν σε κλείσιμο για μια κοινωνία, η αντίληψη ενός εργαζομένου για τις μελλοντικές του προοπτικές επηρεάζει τις αποφάσεις του για επενδύσεις και κατεύθυνση. Η αντίδρασή τους στην αβεβαιότητα και την ανησυχία διαμορφώνει τις επιλογές τους σχετικά με το πού και πώς να επενδύσουν στις μελλοντικές τους προσπάθειες.

Ακριβώς, αλλά δεν είναι μόνο οι άνθρωποι σαν άτομα, είναι και οι εταιρείες και ο τρόπος που αντιδρούν σε αυτή τη δυναμική. Αυτό θα παίζει και τεράστιο ρόλο, ο τρόπος που οργανώνονται οι εταιρείες, ο τρόπος που χρησιμοποιούμε τις τεχνολογίες, πόσο επιθετικοί είμαστε, πόσο φιλόσοφοι και σε ποιες αγορές ανοιγόμαστε. Υπάρχουν τομείς οικονομίας που θα γίνουν impacted με διαφορετικό τρόπο από άλλους, ας πούμε αυτή τη στιγμή το 80% ενός κώδικα μπορούν να το γραψουν τα LLMs. Αυτό είναι τεράστιο bonus για εταιρείες που κάνουν software development, γιατί οι εταιρείες αυτές θα αυτοματοποιήσουν το 80% των εργασιών τους. Πώς αυτές οι εταιρείες θα γίνουν rewired εσωτερικά, είναι management decision ανάλογα με το αν και το πώς θα εκμεταλλευτούν αυτές τις αλλαγές. 

Πώς ο μετασχηματισμός από παραδοσιακούς μεγάλους οργανισμούς σε ευέλικτες «μικροεπιχειρήσεις» περιλαμβάνει την υιοθέτηση τεχνολογικών stacks και cloud native approaches για την προώθηση της καινοτομίας και της ευελιξίας;*

Αυτό ήδη συμβαινει, έχουμε ήδη ανθρώπους που είναι individual contractors, freelancers ας πούμε αυτούς που έχουν προφιλ σε app όπως το Upwork, Fιver. Αυτό είναι παράδειγμα του πως ο κόσμος της εργασίας αλλάζει. Αυτό που τους κάνει successful είναι ότι εν τέλει η δουλειά τους είναι καλύτερο fit στις προσδοκίες που έχουν για τη ζωή τους.

Μιλούσαμε πιο πριν για το πώς η βιομηχανική επανάσταση έκανε τους ανθρώπους ρομπότ.  Η κοινωνία δεν δέχεται πλέον αυτό το μοντέλο εργασίας, θέλουμε να ειμαστε flexible. Επειδή τώρα έχουμε τόσες πλατφορμες κλπ, ένας άνθρωπος δεν χρειάζεται να χτίσει κάθετα όλη την εταιρεία του, μπορεί να συνθέσει πολλά πράγματα σε cloud apps και παρέχουμε μια υπηρεσία η οποία είναι πολύ πιο εύκολο να δοθεί από την “εταιρεία”.

Ο λόγος που έχουμε εταιρείες είναι επειδή είναι πιο οικονομικά σύμφορο (Theory of company) να εχουμε ένα contract για όλους τους εργαζόμενους και κάθε φορά που έχουμε να κάνουμε μια δουλειά να μην κάνουμε και καινούριο contract. Όλο αυτό έγινε πολύ εύκολο μέσα από  αυτές τις πλατφόρμες. οι Freelancers αυτοί είναι μικρο-εταιρείες και δουλεύουν επίσης με εξωτερικους συνεργάτες. Είναι ομάδες που δημιουργούν micro companies και δουλεύουν με flexibility. Βλέπουμε μια πολύ διαφορετική οργάνωση εργασίας μέσα από work platforms, σε αντίθεση με την οργάνωση εργασίας εντός εταιρειών. Ο τρόπος με τον οποιο αγοράζω σε αυτές τις πλατφόρμες βασίζεται σε κάποια skills. Το Unit of transaction δεν είναι πλέον ο χαρακτηρας ή το CV, με ενδιαφέρει το skill που έχει o εργαζόμενος\ συνεργάτης.

 Αυτή λοιπόν η όποια πλατφόρμα είναι πολύ αποτελεσματική, και αυτό έχει σημασία σε μια εποχή πολύ μεγάλων αλλαγών, και ιδίως για το HR που μπορεί να προσλαμβάνει έναν άνθρωπο, αλλά λόγω συνεχών αλλαγών δεν ξέρει και πόσο θα τον χρειαστεί. Έτσι ξεκινήσαμε να σκεφτόμαστε πώς όλη αυτή η κινητικότητα θα ενσωματωθεί εντός των εταιρειών. Και αυτό συμβαίνει ήδη στις εταιρείες γιατί έχουν αρχίσει να έχουν εσωτερικές πλατφόρμες και να ποστάρουν δουλειές ή projects. Οι εργαζόμενοι λοιπόν μπαίνουν σε αυτά τα πρότζεκτ και έτσι δουλεύουν. Η βασική τεχνική είναι να υπάρχει work on demand. Nα φύγουμε από processes, αυτό που κληρονομήσαμε από τη βιομηχανική επανάσταση, και να πάμε σε projects και platforms, δημιουργώντας μια εσωτερική αγορά δεξιοτήτων, γνώσεων και παραγωγικότητας που τα κίνητρα είναι το πώς θα αποκτήσει τα κατάλληλα skills το άτομο για να γίνει πιο valuable εντός αυτού του δυναμικού περιβάλλοντος, που έχει συστήματα που το βοηθά να κάνει navigate.

*How AI will make corporations more humane and super-linearly innovative”, Huffpost-Ο κ. Ζαρκαδάκης μιλά για ένα ταξίδι μετασχηματισμού της τεχνητής νοημοσύνης που θα φύγει εκτός της τρέχουσας ακαμψίας των οργανισμών και θα την αντικαταστήσει με ένα δίκτυο ρευστών και ευέλικτων «μικροεπιχειρήσεων» που συνεργάζονται πέρα από τον οργανισμό.

Πώς ένας HR leader, χρησιμοποιώντας αυτά τα συστήματα και ίσως και το ΑΙ μπορεί να οργανώσει αυτόν τον μετασχηματισμό;

Αυτός ο μετασχηματισμός είναι part of the digital transformation agenda. Το HR αυτή τη στιγμή υποστηρίζει όλον αυτόν τον μετασχηματισμό, κάνοντας reinvent το πώς μετράμε performance, how people get incentivised, matching skills, review process που πλέον δεν είναι annual, όπως και πάλι ήταν η συνήθεια που πήραμε από τη βιομηχανική επανάσταση. Και λεω συνέχεια για βιομηχανική επανάσταση, είναι πολύ δύσκολο για μια κοινωνία να φεύγει από τη συνηθεια. Ιστορικά οι κοινωνίες που δεν άλλαξαν είναι εκείνες που μαράθηκαν. Αυτός είναι ο νόμος της ιστορίας. Είναι βασικό επίσης τα Συνδικάτα, τα Unions and workers πρέπει όχι μόνο να αγκαλιάσουν αλλά και να κατευθύνουν την αλλαγή προς όφελος των εργαζομένων.

Πώς κρίνετε την κατάσταση στην Ελλάδα σχετικά με τη χρήση ΤΝ στην εργασία;

Η Ελλάδα έχει φοβερό potential, lots of things going for Greece. Η Ελλάδα έχει ένα πλούσιο εργατικό δυναμικό, έχει επενδύσει σε νέα skills, έχουμε υψηλές σπουδές, έχουμε υποδομές, δρόμους, ιντερνετ, είμαστε μια μεσογειακή χώρα που εταιρείες θα μπορούσαν να μεταφέρουν κάποια operations τους, οπότε υπάρχει αισιοδοξία ότι η Ελλάδα μπορεί να προχωρήσει μπροστά. 

Links για περαιτέρω διάβασμα επί της δουλειάς του κ. Ζαρκαδάκη:

Γλωσσάρι βασικών όρων

Νευρωνικά δίκτυα: Ένα νευρωνικό δίκτυο είναι ένα πρόγραμμα ή μοντέλο μηχανικής μάθησης που λαμβάνει αποφάσεις με τρόπο παρόμοιο με τον ανθρώπινο εγκέφαλο, χρησιμοποιώντας διαδικασίες που μιμούνται τον τρόπο με τον οποίο συνεργάζονται οι βιολογικοί νευρώνες για να εντοπίσουν φαινόμενα, να σταθμίσουν τις επιλογές και να καταλήξουν σε συμπεράσματα.

Συμβολική Λογική: Η Συμβολική Τεχνητή Νοημοσύνη (AI) είναι ένα υποπεδίο της τεχνητής νοημοσύνης που εστιάζει στην επεξεργασία και χειρισμό συμβόλων ή εννοιών και όχι αριθμητικών δεδομένων.

LLM: Ένα Large Language Model (LLM) είναι ένα μοντέλο γλώσσας που διακρίνεται για την ικανότητά του να επιτυγχάνει τη δημιουργία και την κατανόηση γλώσσας γενικού σκοπού. Tα LLM αποκτούν αυτές τις ικανότητες μαθαίνοντας στατιστικές σχέσεις από έγγραφα κειμένου κατά τη διάρκεια μιας υπολογιστικά εντατικής αυτο-εποπτευόμενης και ημι-εποπτευόμενης εκπαιδευτικής διαδικασίας. Τα LLM είναι τεχνητά νευρωνικά δίκτυα, τα μεγαλύτερα και πιο ικανά από τα οποία είναι κατασκευασμένα με αρχιτεκτονική που βασίζεται σε “Transformers”

Transformers: Transformers είναι ένας τύπος αρχιτεκτονικής νευρωνικών δικτύων που μετατρέπει ή αλλάζει μια ακολουθία εισόδου σε ακολουθία εξόδου. Το κάνουν αυτό μαθαίνοντας το πλαίσιο και παρακολουθώντας τις σχέσεις μεταξύ των στοιχείων της ακολουθίας. Για παράδειγμα, σκεφτείτε αυτήν την ακολουθία εισαγωγής: "Ποιο είναι το χρώμα του ουρανού;" Το μοντέλο μετασχηματιστή χρησιμοποιεί μια εσωτερική μαθηματική αναπαράσταση που προσδιορίζει τη συνάφεια και τη σχέση μεταξύ των λέξεων χρώμα, ουρανός και μπλε. Χρησιμοποιεί αυτή τη γνώση για να δημιουργήσει το αποτέλεσμα: «Ο ουρανός είναι μπλε».

Gen AI: Το Generative AI (GenAI) είναι ένας τύπος Τεχνητής Νοημοσύνης που μπορεί να δημιουργήσει μεγάλη ποικιλία δεδομένων, όπως εικόνες, βίντεο, ήχο, κείμενο και τρισδιάστατα μοντέλα. Αυτό το κάνει μαθαίνοντας μοτίβα από υπάρχοντα δεδομένα και στη συνέχεια χρησιμοποιώντας αυτή τη γνώση για να δημιουργήσει νέα και μοναδικά αποτελέσματα.

Lump of Labor Fallacy: Στα οικονομικά, η “πλάνη περί σταθερού αποθέματος εργασίας” είναι η λανθασμένη αντίληψη ότι υπάρχει ένα πεπερασμένο πλήθος εργασίας που μπορεί να διανεμηθεί για να δημιουργηθούν περισσότερες ή λιγότερες θέσεις εργασίας. Θεωρήθηκε πλάνη το 1891 από τον οικονομολόγο David Frederick Schloss, ο οποίος υποστήριξε ότι ο όγκος της εργασίας δεν είναι σταθερός.

Θεωρία της επιχείρησης: Η θεωρία της επιχείρησης αναφέρεται στη μικροοικονομική προσέγγιση που επινοήθηκε στα νεοκλασικά οικονομικά ότι κάθε επιχείρηση λειτουργεί για να αποκομίσει κέρδη. Οι εταιρείες εξακριβώνουν την τιμή και τη ζήτηση του προϊόντος στην αγορά και κάνουν τη βέλτιστη κατανομή των πόρων για την αύξηση των καθαρών κερδών τους.

Debiasing AI: Ρυθμίζοντας τις ανισότητες στην Τεχνητή Νοημοσύνη

Agathe Balayn
Ερευνήτρια
BIO

Μπορείτε να μας πείτε λίγα λόγια για το πώς «μαθαίνουν» τα συστήματα μηχανικής μάθησης και πώς διαδίδονται τα στερεότυπα μέσω αυτών των τρόπων μηχανικής μάθησης;

Για τη χρήση εργαλείων μηχανικής εκμάθησης υπάρχουν δύο κύρια στάδια, το πρώτο στάδιο είναι η εκπαίδευση του μοντέλου και το δεύτερο είναι η χρήση του στην πράξη. 

Για να εκπαιδεύσουμε το μοντέλο, πρέπει να συλλέξουμε ένα σύνολο δεδομένων (datasets) και αυτό είναι γεμάτο από αυτά που θέλουμε το μοντέλο να προβλέψει στη συνέχεια, οπότε αν μιλάμε για HR, για παράδειγμα, μιλάμε για τη συλλογή βιογραφικών σημειωμάτων ατόμων που προσλήφθηκαν κάποια στιγμή από τον οργανισμό, και ατόμων που θέλουμε να προσλάβουμε. Έχουμε λοιπόν τα σύνολα δεδομένων και μετά επιλέγουμε τους αλγόριθμους, που είναι ένα σύνολο εξισώσεων με κάποιες παραμέτρους που πρέπει να διορθωθούν. Στη συνέχεια, κάνουμε αυτό που ονομάζουμε “εκπαίδευση του αλγορίθμου” που αποφασίζουμε επί των παραμέτρων τους, χρησιμοποιώντας τα datasets που ετοιμάσαμε πρώτα. Η ιδέα είναι ότι ελπίζουμε ότι στο τέλος οι παράμετροι θα αντιπροσωπεύουν το περιεχόμενο των συνόλων δεδομένων που έχουμε, έτσι ώστε αργότερα όταν χρησιμοποιείτε τον αλγόριθμο με τις παραμέτρους, εάν έχουμε π χ ένα νέο βιογραφικό σημείωμα, θα πρέπει να είμαστε σε θέση να προβλέψουμε με βάση τα αποτελέσματα, εάν πρέπει να προσλάβουμε ένα άτομο ή όχι.

Για την αποτελεσματική αξιοποίηση των εργαλείων μηχανικής εκμάθησης, υπάρχουν δύο κύρια στάδια: η εκπαίδευση του μοντέλου και η χρήση του σε πρακτικές εφαρμογές. Κατά τη φάση της εκπαίδευσης, πρέπει να συλλέγονται datasets, τα οποία να περιέχουν σχετικές πληροφορίες ώστε το μοντέλο να προβλέπει μελλοντικά αποτελέσματα. Για παράδειγμα, στο πλαίσιο του HR, αυτό θα μπορούσε να περιλαμβάνει τη συλλογή βιογραφικών σημειωμάτων προηγουμένως προσληφθέντων ατόμων μαζί με αυτά των πιθανών υποψηφίων.

Αφού συγκεντρωθούν τα datasets, το επόμενο βήμα είναι η επιλογή κατάλληλων αλγορίθμων, οι οποίοι αποτελούνται από μια σειρά εξισώσεων με ρυθμιζόμενες παραμέτρους. Η διαδικασία εκπαίδευσης του αλγορίθμου περιλαμβάνει τον προσδιορισμό αυτών των παραμέτρων με βάση τα έτοιμα σύνολα δεδομένων. Ο στόχος είναι να διασφαλιστεί ότι οι παράμετροι αντανακλούν τελικά τα υποκείμενα μοτίβα στα δεδομένα.

Στόχος είναι, με την ολοκλήρωση της εκπαίδευσης, οι παράμετροι να αποτυπώνουν με ακρίβεια την ουσία των δεδομένων που συλλέγονται. Στη συνέχεια, όταν χρησιμοποιείται ο αλγόριθμος με αυτές τις παραμέτρους, καθίσταται δυνατή η πρόβλεψη των αποτελεσμάτων - όπως ο προσδιορισμός του εάν ένα νέο βιογραφικό σημείωμα δικαιολογεί την πρόσληψη - με βάση τα μαθησιακά πρότυπα του μοντέλου.

Ακούω ότι τροφοδοτείτε τον αλγόριθμο με δεδομένα. Έτσι, εάν ένα προκατειλημμένο άτομο τροφοδοτεί τον αλγόριθμο με δεδομένα, τότε το τελικό σύστημα θα είναι προκατειλημμένο; Πώς γεννούνται οι προκαταλήψεις στα συστήματα ΤΝ;

Συνήθως αυτό που λέμε είναι ότι ξεκινάμε με έναν αλγόριθμο με κάποιες παραμέτρους και μετά όταν βελτιστοποιούμε τις παραμέτρους χρησιμοποιώντας τα δεδομένα, μόλις τελειώσουμε μιλάμε για ένα “μοντέλο” και το μοντέλο είναι, ουσιαστικά, ο αλγόριθμος με τις παραμέτρους που έχουν βελτιστοποιηθεί με βάση τα δεδομένα. 

Επομένως, υπάρχουν διαφορετικοί τρόποι με τους οποίους μπορεί να εισέλθει η μεροληψία στη διαδικασία αυτή. Ένας από τους κύριους τρόπους είναι μέσω των δεδομένων που χρησιμοποιούμε για τη βελτιστοποίηση των παραμέτρων, με ένα άτομο που συλλέγει και επεξεργάζεται τα σύνολα δεδομένων πχ. Για παράδειγμα, έχετε ιστορικό βιογραφικών που χρησιμοποιείτε ως δεδομένα, αλλά επειδή στο παρελθόν δεν έχετε προσλάβει πολλές γυναίκες ή POC, το σύνολο δεδομένων σας είναι προκατειλημμένο, λείπει έντονα από τα δεδομένα το άλλο φύλο. Έτσι, τελικά θα βελτιστοποιήσουμε τον αλγόριθμο με αυτά τα δεδομένα που είναι μεροληπτικά\biased. Ο αλγόριθμος, δεν έχει “δει” τα δεδομένα των γυναικών υποψηφίων, δεν θα προβλέψει πρόσληψη βιογραφικών από γυναίκες.

Επίσης, ο τρόπος με τον οποίο τροφοδοτούμε τα δεδομένα στον αλγόριθμο μπορεί να έχει αντίκτυπο σε ζητήματα συμπερίληψης. Και πάλι παίζει ρόλο το άτομο που αναπτύσσει τα δεδομένα, τον αλγόριθμο και το μοντέλο, γιατί λόγω της δικής του μεροληψίας μπορεί να μην έχει επίγνωση αυτής της έλλειψης ποικιλομορφίας στα δεδομένα.

Για να δημιουργήσουμε το τελικό μοντέλο χρειαζόμαστε τα δεδομένα και τον βασικό αλγόριθμο και πρέπει να βρούμε έναν τρόπο να το συνδυάσουμε. Υπάρχουν διαφορετικοί τρόποι και μερικοί τρόποι μπορούν να αγνοήσουν όλες τις προκαταλήψεις στα δεδομένα, κάποιοι μπορεί να είναι περισσότερο ενήμεροι, αλλά τότε έχουμε τη διασταύρωση των προκαταλήψεων, οπότε ακόμα κι αν γνωρίζουμε ότι θέλουμε να απαλείψουμε μία προκατάληψη, υπάρχουν μαθηματικοί περιορισμοί στο τι μπορεί να κάνει ένας αλγόριθμος , ώστε να μπορούμε μαθηματικά να αποφύγουμε το bias, ας πούμε μπορεί να μπορούμε να αποφύγουμε την προκατάληψη του φύλου αλλά όχι τη φυλετική προκατάληψη.

Πώς αντιμετωπίζουν επί του παρόντος οι ρυθμιστικές αρχές το bias της τεχνητής νοημοσύνης;

Επειδή η μεροληψία μπορεί να προέλθει από τα δεδομένα, από τον αλγόριθμο ή από τον τρόπο που συνδυάζετε τα δύο, υπάρχουν οι κύριοι τύποι μεθόδων για να κάνουμε debias το μοντέλο. Κάποιοι περιστρέφονται γύρω από τα τα δεδομένα, κάποιοι βασίζονται στον αλγόριθμο και τον συνδυασμό των δύο και ο τελευταίος τρόπος με τον οποίο μπορούμε να κάνουμε debias ένα μοντέλο είναι η μεταγενέστερη επεξεργασία του τι κάνει το μοντέλο στη συνέχεια, μετά τη δημιουργία του.

Στη συλλογή δεδομένων, για παράδειγμα, ο επιστήμονας προσπαθεί να βρει περισσότερα βιογραφικά γυναικών, ας πούμε, και συχνά, αυτό που κάνουν οι άνθρωποι στην επιστήμη των υπολογιστών είναι απλώς να συνθέτουν νέα CVs, δηλαδή να αντιγράφουν αυτά που έχουν και να αλλάζουν το όνομα και φύλο, για να έχουν ένα βιογραφικό σχεδόν πραγματικό και μετά να έχουν στοιχεία και από γυναίκες. 

Όταν η μεροληψία βρίσκεται στον αλγόριθμο και στον τρόπο που συνδυάζεται με τα δεδομένα, προσθέτουμε μερικούς περισσότερους περιορισμούς ας πούμε στον αλγόριθμο και τον τρόπο με τον οποίο χρησιμοποιεί τα δεδομένα και προσπαθούμε να δώσουμε εντολή να δίνει μεγαλύτερη προσοχή στα βιογραφικά των γυναικών, αλλάζοντας τις παραμέτρους της εξίσωσης ώστε να εστιάζει περισσότερο στα γυναικεία δεδομένα. 

Στο τελευταίο βήμα της, αυτό του debiasing του μοντέλου μετά την επεξεργασία του, εξετάζουμε τα αποτελέσματα που παρέχει και τις πληροφορίες που παρέχει-συνήθως ένας αλγόριθμος έχει πολλές πληροφορίες ως προς το αποτέλεσμα, παρέχοντας κάποιου είδους ποσοστό βεβαιότητας για τις αποφάσεις που προβλέπει ότι πρέπει να ληφθούν. Έτσι, όταν βλέπουμε χαμηλή βεβαιότητα, ίσως θα έπρεπε να δώσουμε την τελευταία απόφαση σε έναν άνθρωπο.

Steps of Data Debiasing

Για να δημιουργήσουμε αυτό το μοντέλο χρειαζόμαστε τα δεδομένα και τον αλγόριθμο, αλλά ακόμη και πριν από αυτό θα πρέπει να αποφασίσουμε τι κάνει ένα μοντέλο γενικά. Για παράδειγμα, αν μιλάμε για αποδοχή ή απόρριψη βιογραφικού, μπορεί να είναι δύσκολο να βρούμε δεδομένα, ας πούμε, εάν θέλουμε να συμπεριλάβουμε και άλλες υποαντιπροσωπευόμενες ομάδες, ας πούμε non binary people, στη διαδικασία. Έτσι, μερικές φορές το bias μπορεί να είναι ακούσιο, οι άνθρωποι πολλές φορές θα χρησιμοποιήσουν τα δεδομένα που έχουν διαθέσιμα, παλιά δεδομένα και κοινωνικές νόρμες του παρελθόντος. 

Υπάρχει ένας τομέας έρευνας όπου οι άνθρωποι συνήθιζαν να παίρνουν φωτογραφίες ανθρώπων και να προσπαθούν να προβλέψουν διαφορετικά πράγματα όπως ο σεξουαλικός προσανατολισμός, οι εγκληματικές τάσεις, ξεκινούσαν από βιομετρικά δεδομένα και μετά προσπαθούσαν να προβλέψουν αυτές τις τάσεις. Αυτό έχει θέσει επίσης ερωτήματα ηθικής γενικά. 

 

Ποιες είναι οι συνέπειες του να βασιζόμαστε αποκλειστικά σε αλγόριθμους και σύνολα δεδομένων (τεχνικό debiasing) για την αντιμετώπιση των διακρίσεων στην τεχνητή νοημοσύνη και ποιες εναλλακτικές προσεγγίσεις θα μπορούσαν να εξεταστούν;*

Αυτή είναι η πρόκληση, τελικά δεν έχουμε μια καλή μέθοδο για να αναπτύξουμε ένα μοντέλο που να είναι αμερόληπτο. Το “αμερόληπτο” δεν σημαίνει τίποτα στην πράξη, τα πράγματα είναι πραγματικά υποκειμενικά ούτως ή άλλως, και αυτό σημαίνει προκατάληψη. Έχω ακούσει μηχανικούς να μου λένε ότι κατασκευάζουν αμερόληπτα CHAT GPT, αφαιρώντας κάθε ρητορική μίσους, αλλά αυτό εξαρτάται από την κουλτούρα σου, τη νομοθεσία στη χώρα σου κ.λπ., οπότε το τι σημαίνει προκατάληψη είναι στην πραγματικότητα βαθιά πολιτισμικά εξαρτώμενο, επομένως είναι πραγματικά υποκειμενικό.

Έχουμε μετρήσεις για τη μέτρηση του επιπέδου της μεροληψίας, όχι επαρκείς, αλλά δεν πρέπει να αγνοηθούν εντελώς προς το παρόν, είναι η μόνη μέθοδος που έχουμε. Μπορούν να βοηθήσουν λίγο. Για παράδειγμα, στον νόμο AI που ψήφισε η ΕΕ, προσπαθούμε να κάνουμε κάποιους ελέγχους. Αν έχουμε μια μέτρηση για να μπορούμε να κάνουμε ερωτήσεις και αυτό είναι κάτι. Αλλά τότε πρέπει να μιλήσουμε για τους προγραμματιστές και τους decision makers, είναι αυτοί που πρέπει να είναι επικριτικοί με τις προσεγγίσεις, να αμφισβητούν την ποικιλομορφία των δεδομένων, πώς να κωδικοποιούν το φύλο κ.λπ., δεν χρειάζονται πραγματικά έναν πολύπλοκο αλγόριθμο για να σκεφτούν. Δεν είναι καθαρά τεχνοκρατικό το ζήτημα.

Στην πραγματικότητα είναι θέμα προβληματισμού σχετικά με τις αποφάσεις σχεδιασμού. Οι επιστήμονες υπολογιστών δεν μιλούν πραγματικά γι 'αυτό, δεν πιστεύουν ότι είναι δουλειά τους να το κάνουν, δεν είναι θέμα αλγορίθμου, το βλέπουν περισσότερο ως θέμα ηθικής και ως θέμα αποφάσεων που δεν είναι δουλειά τους να πάρουν. Έχω πάρει συνεντεύξεις από πολλούς προγραμματιστές σχετικά με αυτό το ζήτημα της μεροληψίας, και αν και κάποιοι καταλαβαίνουν ότι οι σχεδιαστικές αποφάσεις που παίρνουν επηρεάζουν τους ανθρώπους, πολλοί είναι σε οργανισμούς που δεν έχουν τους δίνουν τον προϋπολογισμό, τον χρόνο και την πληροφορία για να σκεφτούν πραγματικά. 

*Λαμβάνοντας υπόψη τους περιορισμούς των τεχνικών debiasing, οι υπεύθυνοι χάραξης πολιτικής θα πρέπει να μην υποστηρίζουν μόνο τo αυστηρά τεχνοκρατικό debiasing ως  απάντηση στη μη συμπεριληπτική τεχνητή νοημοσύνη, καθώς η εφαρμογή τους είναι πολύ στενή - If AI is the problem, is debiasing the solution?

Πώς μπορούν οι υπεύθυνοι χάραξης πολιτικής να διασφαλίσουν ότι η ρύθμιση της τεχνητής νοημοσύνης προστατεύει και θέτει υπόλογους τόσο τους οργανισμούς όσο και τους δημόσιους φορείς καθώς υιοθετούν συστήματα που βασίζονται σε τεχνητή νοημοσύνη;

Στην πραγματικότητα δεν έχουμε ακόμα τίποτα, ο νόμος της ΕΕ για την τεχνητή νοημοσύνη έχει αυτές τις κατηγορίες κινδύνου και νομίζω ότι θα ήταν δύσκολο να προχωρήσουμε από αυτόν τον κανονισμό σε ορισμένους συγκεκριμένους ελέγχους bias. 

Δεν είναι εφικτό να συμπεριληφθεί αυτό στον νόμο για την τεχνητή νοημοσύνη, ο οποίος πρέπει να είναι γενικός. Ωστόσο, απαιτούνται κάποια είδη προτύπων για να αποφασίσουμε για κάθε διαφορετική εφαρμογή, καθώς η υπολογιστική επιστήμη δεν έχει την εκπαίδευση να εξετάζει όλες αυτές τις μεθόδους. Όσον αφορά την υπολογιστική έρευνα, επιδιώκεται η δημιουργία μιας γενικευμένης μεθόδου, αλλά κανείς δεν μπορεί να αναλάβει την ευθύνη για την γενίκευση που είναι απαραίτητη.

Χρειάζονται τόσο οι υπεύθυνοι λήψης αποφάσεων όσο και οι επιστήμονες υπολογιστών εκπαίδευση και ευαισθητοποίηση σχετικά με την προκατάληψη στα συστήματα τεχνητής νοημοσύνης;

Οι υπεύθυνοι λήψης αποφάσεων πρέπει να γνωρίζουν την ύπαρξη προβλήματος και να διαθέτουν τόσο χρόνο όσο και προϋπολογισμό για εκπαίδευση στην υπολογιστική υποδομή, χωρίς να έχουν βαθιά κατανόηση της επιστήμης των δεδομένων. Επιπλέον, οι επιστήμονες υπολογιστών πρέπει να συνειδητοποιήσουν τη σημασία των αποφάσεών τους, και ίσως θα έπρεπε να υπάρχουν τρίτες εταιρείες με τις αντίστοιχες γνώσεις και εξουσιοδοτήσεις που θα εξετάζουν και θα επικυρώνουν αυτές τις αποφάσεις.

Πιστεύετε ότι αυτά τα συστήματα, όντας πιο αντικειμενικά, εάν ρυθμιστούν και χρησιμοποιηθούν με τον καλύτερο τρόπο, θα μπορούσαν με οποιονδήποτε τρόπο να είναι σύμμαχοι της διαφορετικότητας, της διαφάνειας και της ένταξης στις επιχειρήσεις;

Νομίζω ότι αυτό σκέφτηκαν οι άνθρωποι αρχικά, η ιδέα ήταν ότι ο σχεδιασμός αυτός θα μετριάσει την ανθρώπινη προκατάληψη. Πράγματι, οι αποφάσεις είναι συνεπείς, χρησιμοποιώντας το ίδιο μοντέλο μερικές φορές, το αν είναι λιγότερο προκατειλημμένες από την ανθρώπινη λήψη αποφάσεων, εξαρτάται από το πόσο regulated και thoughtful είναι. 

Υπάρχει αυτή η ανησυχία ότι η εφαρμογή AI ενισχύει τις υπολογιστικές υποδομές στα χέρια των Big Tech και ότι μπορεί να επηρεάσει τους κανονισμούς γύρω από την ΤΝ.

Φυσικά, υπάρχουν ομάδες πίεσης (lobbyists) που επιδιώκουν να επηρεάσουν τους απαιτούμενους ελέγχους και τις προδιαγραφές περί προκατάληψης. Κάποιοι παρέχουν μοντέλα και επιβάλλουν τις δικές τους αξίες και κοινωνικούς κανόνες σε αυτά που θα έπρεπε να είναι αμερόληπτα, θέτοντας κανόνες από τους προγραμματιστές τους. Πολλές εταιρείες παρέχουν επίσης την υποδομή για τη δημιουργία και τη διατήρηση αυτών των μοντέλων, αλλά το θέμα δεν είναι μόνο η προκατάληψη ή η επιρροή που έχουν στους οργανισμούς. Αν ο οργανισμός δεν μπορεί να στηρίξει οικονομικά αυτήν την εξάρτηση, μπορεί να προκαλέσει πολλά ζητήματα σχετικά με τη λήψη αποφάσεων, την προστασία δεδομένων και άλλα.

Ορισμένες μεγάλες εταιρείες τεχνολογίας χρησιμοποιούν τα δικά τους δεδομένα για να δημιουργήσουν το τελικό μοντέλο, αλλά αν θέλουν να δημιουργήσουν ένα μοντέλο κατάλληλο για έναν οργανισμό θα χρειαστούν τα δεδομένα από τον οργανισμό και έτσι υπάρχουν ζητήματα απορρήτου, ξέρουμε τι θα κάνουν με αυτά τα δεδομένα; Το βλέπουμε αυτό με το LLMS-χρειαζόμαστε τρομερά πολλά δεδομένα για να εκπαιδεύσουμε το LLM. Οι οργανισμοί που τα αναπτύσσουν για άλλους οργανισμούς και πελάτες, πιθανότατα θα χρησιμοποιούσαν τα δεδομένα από αυτά τα όργανα όλα μαζί για τη δημιουργία του τελικού μοντέλου και εξαιτίας αυτής της μίξης δεδομένων υπάρχουν ζητήματα ιδιωτικότητας και διαρροής. 

Steps of Data Debiasing 2

Πώς είναι το μέλλον στη χρήση της ΤΝ στον κόσμο της εργασίας;

Υπάρχουν επιπλέον θέματα που πρέπει να εξετάσουμε σχετικά με την εφαρμογή της τεχνητής νοημοσύνης. Η απαίτηση για μεγάλο όγκο δεδομένων επιφέρει προβλήματα σε σχέση με το περιβάλλον και την ενέργεια που καινε τα computational infrastructures, καθώς και ζητήματα ηθικής των εργαζομένων (crowd workers) πρέπει να αναλάβουν τη συλλογή και τον σχολιασμό των δεδομένων που χρησιμοποιούνται για την ανάπτυξη των μοντέλων. Αυτές οι δραστηριότητες διεξάγονται από ανθρώπους. Επομένως, υπάρχουν επιπλέον ερωτήματα σχετικά με τις πιθανές αρνητικές επιπτώσεις της χρήσης της τεχνητής νοημοσύνης. Εκτός από την προκατάληψη, οι λύσεις τεχνητής νοημοσύνης μπορεί να αποδειχθούν ηθικά ή περιβαλλοντικά ανεπαρκείς, επομένως απαιτείται προσέγγιση προτεραιοτήτων και ρύθμισης για την αντιμετώπιση αυτών των θεμάτων.

Δεν ξέρω ποιος πρέπει να πάρει αυτές τις αποφάσεις, είναι θέμα πώς δημιουργείς αυτό το μοντέλο. Για παράδειγμα, θα εμπιστευόμουν ένα μοντέλο που δημιουργήθηκε από μια πιο διαφορετική ομάδα ή μια εταιρεία που έδωσε προϋπολογισμό και κίνητρα στην ομάδα προγραμματιστών, ώστε να σκεφτούν και να ερευνήσουν πριν δημιουργήσουν το μοντέλο και η τελική πτυχή που θα κοιτούσα είναι όταν έχουμε το μοντέλο και χρησιμοποιώντας το, αν γνωρίζουμε ότι είναι μεροληπτικό, θα τα χρησιμοποιούσαμε; Θα είχαμε μια δεύτερη ανθρώπινη κρίση ή ανθρώπινη επανεξέταση; Συνεπώς, πιστεύω ότι εξαρτάται από τον τρόπο χρήσης του μοντέλου.

*Η Agathe μίλησε ιδιαίτερα για ζητήματα μεροληψίας και συμπερίληψης όσον αφορά το φύλο, τη φυλή κ.λπ. Ωστόσο, τόνισε ότι ορισμένοι μελετητές έχουν επίσης ερευνήσει τα προβλήματα που σχετίζονται με την αλγοριθμική πρόσληψη και τις αναπηρίες.

Γλωσσάρι Βασικών Όρων

Datasets: Ένα σύνολο δεδομένων-datasets-είναι μια συλλογή δεδομένων.

Αλγόριθμος: Στα μαθηματικά και την επιστήμη των υπολογιστών, ένας αλγόριθμος είναι μια πεπερασμένη ακολουθία αυστηρών εντολών, που χρησιμοποιούνται συνήθως για την επίλυση μιας κατηγορίας συγκεκριμένων προβλημάτων ή για την εκτέλεση ενός υπολογισμού. Οι αλγόριθμοι χρησιμοποιούνται ως προδιαγραφές για την εκτέλεση υπολογισμών και επεξεργασίας δεδομένων.

Παράμετροι: Οι παράμετροι στη μηχανική μάθηση και τη βαθιά μάθηση είναι οι τιμές που ο αλγόριθμος εκμάθησής σας μπορεί να αλλάξει ανεξάρτητα καθώς μαθαίνει και αυτές οι τιμές επηρεάζονται από την επιλογή των υπερπαραμέτρων που παρέχετε. Έτσι, ορίζετε τις υπερπαραμέτρους πριν ξεκινήσει η εκπαίδευση και ο αλγόριθμος εκμάθησης τις χρησιμοποιεί για να μάθει τις παραμέτρους. Πίσω από το σκηνικό της εκπαίδευσης, οι παράμετροι ενημερώνονται συνεχώς και οι τελικές στο τέλος της εκπαίδευσης αποτελούν το μοντέλο σας.

Μοντέλο: Το τελικό αποτέλεσμα μετά την εκπαίδευση του αλγορίθμου, χρησιμοποιώντας παραμέτρους και σύνολα δεδομένων.

Συνθετικά δεδομένα: Τα συνθετικά δεδομένα είναι πληροφορίες που δημιουργούνται τεχνητά αντί να παράγονται από γεγονότα του πραγματικού κόσμου. Συνήθως δημιουργούνται με χρήση αλγορίθμων, τα συνθετικά δεδομένα μπορούν να αναπτυχθούν για την επικύρωση μαθηματικών μοντέλων και την εκπαίδευση μοντέλων μηχανικής μάθησης.

Κωδικοποίηση: Στην τεχνολογία υπολογιστών, η κωδικοποίηση είναι η διαδικασία εφαρμογής ενός συγκεκριμένου κώδικα, όπως γράμματα, σύμβολα και αριθμοί, σε δεδομένα για μετατροπή σε ισοδύναμο κρυπτογράφηση.

Crowd Workers: Αυτό που ονομάζουμε πλατφόρμες crowdsourcing είναι πλατφόρμες όπου σε μεγάλες, κατανεμημένες ομάδες εργαζομένων (που ονομάζονται πλήθος εργαζομένων) δίνονται «μικροεργασίες» για να βοηθήσουν στη συλλογή και τον σχολιασμό δεδομένων που προορίζονται για εκπαίδευση ή αξιολόγηση AI. Τυπικά, είναι μια έξυπνη λύση για τη δημιουργία των συνόλων δεδομένων γρήγορα και εύκολα, δεδομένης της ικανότητας του crowdsourcing να δημιουργεί προσαρμοσμένα δεδομένα κατά ζήτηση και σε κλίμακα. Ωστόσο, είναι επίσης ένα ζήτημα που συχνά παραβλέπεται αν και είναι κρίσιμο μέρος του κύκλου ζωής της τεχνητής νοημοσύνης, όσον αφορά τις ηθικές συνθήκες εργασίας.

ADMS: Τα Αυτοματοποιημένα Συστήματα Λήψης Αποφάσεων είναι προγραμματισμένοι αλγόριθμοι που υπολογίζουν δεδομένα προκειμένου να παράγουν μια ενημερωμένη αυτοματοποιημένη απόφαση για διάφορα θέματα. Τα ADMS έχουν χρησιμοποιηθεί σε δικαστικές, κυβερνητικές και κοινωνικές υπηρεσίες προκειμένου να αντιμετωπιστούν τομείς που έχουν καταπονηθεί και δεν διαθέτουν πόρους.

Upcoming
Upcoming

Ο νέος νόμος της Ευρωπαϊκής Ένωσης για την τεχνητή νοημοσύνη

Γράφει ο Παύλος Αβραμόπουλος
Ο νόμος της Ευρωπαϊκής Ένωσης (ΕΕ) για την Τεχνητή Νοημοσύνη (AI Act) σηματοδοτεί ένα σημαντικό βήμα στην παγκόσμια ρύθμιση της τεχνητής νοημοσύνης. Καθώς η τεχνητή νοημοσύνη ενσωματώνεται σε διάφορους τομείς, η ΕΕ επιδιώκει να δημιουργήσει ένα πλαίσιο για να διασφαλίσει την ασφαλή, διαφανή και υπεύθυνη χρήση της τεχνητής νοημοσύνης. Ο νόμος αυτός έχει σημαντικές επιπτώσεις για τις επιχειρήσεις που δραστηριοποιούνται εντός της ΕΕ, επηρεάζοντας τον τρόπο με τον οποίο αναπτύσσουν και διαχειρίζονται συστήματα τεχνητής νοημοσύνης.
 
 
 

Τι είναι ο νόμος της ΕΕ για την τεχνητή νοημοσύνη;

Ο νόμος για την τεχνητή νοημοσύνη είναι ένα ολοκληρωμένο νομικό πλαίσιο που προτείνεται από την Ευρωπαϊκή Επιτροπή για τη ρύθμιση των εφαρμογών AI. Κατηγοριοποιεί τα συστήματα τεχνητής νοημοσύνης με βάση τον κίνδυνο για τα θεμελιώδη δικαιώματα και την ασφάλεια, που κυμαίνονται από τον «υπέρτατο κίνδυνο» έως τον «χαμηλό κίνδυνο». Ο νόμος στοχεύει στην προστασία των πολιτών της ΕΕ από πιθανά κενά της τεχνητής νοημοσύνης, ενισχύοντας παράλληλα την καινοτομία και την ανταγωνιστικότητα στον τομέα της τεχνητής νοημοσύνης.

Οι βασικές πτυχές του νόμου περιλαμβάνουν:

  • Ταξινόμηση βάσει κινδύνου: Τα συστήματα τεχνητής νοημοσύνης ταξινομούνται σε τέσσερις κατηγορίες: Μη αποδεκτός κίνδυνος, Υψηλός κίνδυνος, Περιορισμένος κίνδυνος και Ελάχιστος κίνδυνος.
  • Αυστηρές απαιτήσεις για τεχνητή νοημοσύνη υψηλού κινδύνου: Τα συστήματα τεχνητής νοημοσύνης υψηλού κινδύνου, όπως αυτά που χρησιμοποιούνται σε υποδομές ζωτικής σημασίας, επιβολή του νόμου ή απασχόληση, υπόκεινται σε αυστηρές απαιτήσεις συμμόρφωσης, συμπεριλαμβανομένης της διαφάνειας, της ανθρώπινης επίβλεψης και της ισχυρής διακυβέρνησης δεδομένων.
  • Απαγορεύσεις σε ορισμένες πρακτικές τεχνητής νοημοσύνης: Οι πρακτικές τεχνητής νοημοσύνης που θεωρούνται σαφής απειλή για τα δικαιώματα και την ασφάλεια των ατόμων, όπως η κοινωνική βαθμολογία από τις κυβερνήσεις, απαγορεύονται.
  • Υποχρεώσεις διαφάνειας: Τα συστήματα τεχνητής νοημοσύνης που αλληλεπιδρούν με ανθρώπους, όπως τα chatbot, πρέπει να σχεδιάζονται έτσι ώστε οι χρήστες να γνωρίζουν ότι αλληλεπιδρούν με ένα σύστημα τεχνητής νοημοσύνης.

Επιπτώσεις για τις επιχειρήσεις

  • Οι επιχειρήσεις που χρησιμοποιούν ή αναπτύσσουν συστήματα τεχνητής νοημοσύνης θα πρέπει να επενδύσουν σε υποδομές συμμόρφωσης, ιδιαίτερα για εφαρμογές υψηλού κινδύνου. Αυτό περιλαμβάνει την εφαρμογή ισχυρών πρακτικών διαχείρισης δεδομένων, τη διασφάλιση της διαφάνειας και τη διατήρηση της ανθρώπινης εποπτείας.
  • Ο νόμος AI θα μπορούσε να επηρεάσει την κατεύθυνση της καινοτομίας, δίνοντας προτεραιότητα στην ανάπτυξη ηθικών, διαφανών και ασφαλών τεχνολογιών τεχνητής νοημοσύνης. Η συμμόρφωση με τον νόμο θα μπορούσε επίσης να αποτελέσει παράγοντα διαφοροποίησης της αγοράς εντός και εκτός της ΕΕ.
  • Η μη συμμόρφωση με το νόμο μπορεί να οδηγήσει σε σημαντικές κυρώσεις, με πρόστιμα έως και 6% του παγκόσμιου ετήσιου κύκλου εργασιών για τις πιο σοβαρές παραβάσεις. Οι επιχειρήσεις πρέπει να είναι επιμελείς στην αξιολόγηση και την ταξινόμηση των συστημάτων τεχνητής νοημοσύνης τους για να αποφύγουν νομικές επιπτώσεις.
  • Οι εταιρείες μπορεί να χρειαστεί να προσαρμόσουν τις στρατηγικές ανάπτυξης και ανάπτυξης της τεχνητής νοημοσύνης, εστιάζοντας περισσότερο σε ηθικά ζητήματα και εκτιμήσεις κινδύνου από τη φάση του σχεδιασμού.
  • Ως πρωτοποριακό νομικό πλαίσιο, ο νόμος για την τεχνητή νοημοσύνη είναι πιθανό να επηρεάσει τους παγκόσμιους κανόνες και τα πρότυπα για την τεχνητή νοημοσύνη. Οι επιχειρήσεις που δραστηριοποιούνται διεθνώς ενδέχεται να χρειαστεί να εξετάσουν τις επιπτώσεις του νόμου πέραν της ΕΕ.

Συμπέρασμα

Ο νόμος της ΕΕ για την τεχνητή νοημοσύνη είναι μια πρωτοποριακή πρωτοβουλία στη διακυβέρνηση της τεχνητής νοημοσύνης. Παρουσιάζει τόσο προκλήσεις όσο και ευκαιρίες για τις επιχειρήσεις. Η τήρηση του νόμου όχι μόνο διασφαλίζει τη συμμόρφωση, αλλά ενθαρρύνει επίσης την ανάπτυξη συστημάτων τεχνητής νοημοσύνης που είναι ηθικά, διαφανή και ωφέλιμα για την κοινωνία. Καθώς ο νόμος διαμορφώνει το τοπίο της χρήσης της τεχνητής νοημοσύνης, οι επιχειρήσεις που προσαρμόζονται προληπτικά στα πρότυπά του πιθανότατα θα βρεθούν σε ανταγωνιστικό πλεονέκτημα, πρωτοστατώντας στις υπεύθυνες πρακτικές τεχνητής νοημοσύνης. Ο νόμος AI δεν είναι απλώς ένα ρυθμιστικό πλαίσιο. Είναι ένα σχέδιο για το μέλλον της τεχνητής νοημοσύνης σε μια κοινωνία που θ τα θέτει τα θεμελιώδη δικαιώματα και την ασφάλεια σε προτεραιότητα.

HR Pulse
HR Pulse

Η γέννηση του AI εργασιακού περιβάλλοντος

Η πρόοδος στην τεχνολογία AI έχει επαναπροσδιορίσει το τμήμα HR, επιτρέποντας στους επαγγελματίες HR να αξιοποιήσουν τη μηχανική μάθηση και τους αλγόριθμους για να εξορθολογίσουν τις διαδικασίες εργασίας τους και να βελτιώσουν την ανάλυση και τη λήψη αποφάσεων.

Αυτό το ερωτηματολόγιο θα μας δώσει σε όλους* μια ένδειξη για το πόσο γρήγορα τα άτομα ανθρώπινου δυναμικού βλέπουν να πλησιάζει το νέο περιβάλλον εργασίας που κυριαρχείται από τεχνητή νοημοσύνη, καθώς και το είδος των θεμάτων που πρέπει να ληφθούν υπόψη.


*Θα μοιραστούμε τα αποτελέσματα στο επόμενο τεύχος του ενημερωτικού μας δελτίου μαζί με τυχόν καλές πρακτικές.
(Παρακαλούμε σημειώστε ότι αυτό το ερωτηματολόγιο είναι απρόσωπο και εκτός από τα γενικά δεδομένα, το FurtherUp δεν έχει πρόσβαση σε προσωπικά δεδομένα σε σχέση με τους ερωτηθέντες).
Για περισσότερες πληροφορίες σχετικά με αυτό, μπορείτε να επικοινωνήσετε με τον υπεύθυνο GDPR στο info@furtherup-hr.com

Ο οργανισμός σας χρησιμοποιεί εργαλεία τεχνητής νοημοσύνης για HR και αν ναι, σε τι σας βοηθά η τεχνητή νοημοσύνη;
Μπορείτε να σημειώσετε περισσότερες από μία περιοχές.
Σύμφωνα με την Gartner, το 76% των ηγετών ΗR πιστεύουν ότι εάν ο οργανισμός τους δεν υιοθετήσει και εφαρμόσει λύσεις τεχνητής νοημοσύνης τους επόμενους 12 έως 24 μήνες, θα υστερούν σε οργανωτική επιτυχία σε σύγκριση με αυτούς που το κάνουν. Πόσο συμφωνείτε με αυτή τη δήλωση;
Πόσο σας ενδιαφέρει να κατανοήσετε και να πειραματιστείτε με τη Genetaive τεχνητή νοημοσύνη για να μειώσετε τις διαδικασίες που ξοδεύουν πόρους, να εξαλείψετε καθημερινές admin εργασίες ή ακόμα και να συντάξετε περιεχόμενο που σχετίζεται με το ανθρώπινο δυναμικό;
Πόσο σας απασχολούν ερωτήματα σχετικά με την εγκυρότητα των προβλεπόμενων δεδομένων που δημιουργούνται για recruitment με τεχνητή νοημοσύνη, ζητήματα μεροληψίας, απορρήτου δεδομένων και κινδύνων κυβερνοασφάλειας, εν γένει ηθικά ζητήματα χρήσης τεχνητής νοημοσύνης στις καθημερινές σας λειτουργίες;
Πόσο θα ενδιαφερόταν ο οργανισμός σας για την κατανομή πόρων και εκπαίδευσης στην ομάδα των developers σας για τη δημιουργία τελικού μοντέλου ΤΝ ή στη συμμετοχή τρίτων εταιρειών με εξειδίκευση στον μετριασμό της μεροληψίας και την ασφάλεια δεδομένων για να διασφαλιστεί η ηθική χρήση των συστημάτων ΤΝ;