Για να εμπιστευτούμε την τεχνητή νοημοσύνη πρέπει να υπάρχει σωστή δομή από πλευράς των δημιουργών και να μεριμνήσουν πως δεν θα υπάρχουν ευτράπελα, για να χτιστεί μία υγιή σχέση μεταξύ χρήστη και αυτών των συστημάτων.
Ζούμε σε έναν κόσμο που βασιλεύουν τα δεδομένα για πολλούς και διάφορους λόγους. Από τις αναλύσεις συμπεριφοράς μέχρι τις προτιμήσεις των πελατών, οι επιχειρήσεις έχουν τώρα αρκετά στοιχεία στα χέρια τους, που όμως δεν είναι σε θέση να τα επεξεργαστούν όλα με ουσιαστικό τρόπο.
Οπότε σε αυτό το σημείο μπαίνει η μαγεία της μηχανικής μάθησης . Όταν εφαρμόζεται σε μαζικά εσωτερικά σύνολα δεδομένων της εταιρείας, η τεχνολογία μηχανικής μάθησης μπορεί να αντλήσει σημαντικές ιδέες και να παράσχει εκτελέσιμες συστάσεις και προβλέψεις σε υπεράνθρωπη κλίμακα.
Ωστόσο, καθώς οι τεχνολογίες αυτοματισμού, μηχανικής μάθησης και τεχνητής νοημοσύνης συνεχίζουν να εμφανίζονται στις καθημερινές μας εμπειρίες, όλο και περισσότεροι χρήστες θέτουν ερωτήσεις. Πώς μπορώ να εμπιστευτώ τις συστάσεις που βασίζονται στη μηχανική μάθηση; Πώς μπορώ να ξέρω ότι αυτή η πρόβλεψη είναι ακριβής; Θα με βοηθήσει αυτή η διαδικασία να διαβάσω σωστά τη δουλειά μου;
Καθώς η τεχνολογία εκμάθησης μηχανών είναι ακόμη στα σπάργανα, οι δισταγμοί πληθαίνουν, αναφορικά με το αν είναι έγκυρες. Αλλά η μηχανική μάθηση, η τεχνολογία του internet of Things και η αυτοματοποίηση πρέπει να θεωρούνται ως όφελος και όχι ως επιβάρυνση.
Στην πραγματικότητα, η Gartner προέβλεψε πρόσφατα ότι θα δημιουργηθούν 2 εκατομμύρια νέες θέσεις εργασίας που σχετίζονται με την ΑΙ έως το 2020. Η ίδια έκθεση προβλέπει ότι η AI θα βελτιώσει την παραγωγικότητα πολλών θέσεων εργασίας και θα έχει τη δυνατότητα να εμπλουτίσει τη σταδιοδρομία των ανθρώπων, να επαναλάβει παλιά καθήκοντα και να δημιουργήσει νέες βιομηχανίες.
Ωστόσο, για την AI και την μηχανική εκμάθηση είναι γεγονός πως θα έχουν άμεση σημαντική επίδραση στην καθημερινότητά μας, οι άνθρωποι χρειάζονται την ευκαιρία να αλληλεπιδράσουν με την τεχνολογία και να μάθουν να την εμπιστεύονται με την πάροδο του χρόνου.
Το πρώτο βήμα στην οικοδόμηση εμπιστοσύνης ξεκινά με τους τρόπους με τους οποίους οι άνθρωποι βιώνουν την τεχνολογία. Ο σύγχρονος σχεδιασμός πρέπει να εξελιχθεί για να δημιουργήσει την εμπιστοσύνη των χρηστών μέσω ενός διαβαθμισμένου συστήματος διαφανών συστάσεων και μιας προσέγγισης που μοιάζει με εταιρική σχέση που αφήνει τους χρήστες να την ελέγχουν, όπως θα χρειαζόταν ένα εύλογο χρονικό διάστημα για την καλλιέργεια ανθρώπινων σχέσεων, η σχέση μεταξύ ανθρώπων και μηχανών πρέπει να αναπτυχθεί αργά.
Ακολουθούν τρεις φάσεις σχεδιασμού που θα ενισχύσουν την ανθρώπινη εμπιστοσύνη στη μηχανική μάθηση, επιτρέποντάς της να αξιοποιήσει πλήρως τις δυνατότητές της.
Φάση 1. Επιλογή.
Το πρώτο βήμα στην οικοδόμηση εμπιστοσύνης θα πρέπει να υπογραμμίζει τα μυαλά της μηχανικής μάθησης, ενώ αφήνει στους χρήστες να διατηρούν τον πλήρη έλεγχο του αποτελέσματος. Το να δίνεται η δυνατότητα στους χρήστες να αναθεωρούν μια ποικιλία επιλογών και στη συνέχεια να ελέγχουν την τελική απόφαση είναι ένα σημαντικό πρώτο βήμα στο σχεδιασμό μιας συνεκτικής μάθησης μηχανής / σχέσης χρήστη.
Ένα παράδειγμα αυτού του είδους σχεδιασμού χρήστη μπορεί να βρεθεί στα συστήματα ετικετών φωτογραφιών σε εφαρμογές κοινωνικών μέσων όπως το Instagram και το Facebook. Ενώ το εργαλείο θα κάνει προτάσεις όπως “Κάντε κλικ για να επισημάνετε αυτήν την εικόνα ως Γιώργος Παπαδόπουλος”, ο χρήστης έχει τον έλεγχο του ποιος πράγματι βλέπει την ετικέτα στη φωτογραφία.
Όλες οι τεχνολογίες που χρησιμοποιούν μηχανική μάθηση πρέπει να αντικατοπτρίζουν το ίδιο επίπεδο διαφάνειας, θέτοντας τους ανθρώπους σε έλεγχο των στοιχείων λήψης αποφάσεων. Αυτή η πρώτη φάση είναι απαραίτητη για να επιτρέπεται στους ανθρώπους να γνωρίσουν τα οφέλη της μηχανικής μάθησης, διατηρώντας τα στη θέση του οδηγού.
Φάση 2. Μάθηση.
Μόλις υπάρξει μια ευκαιρία να αλληλεπιδράσουμε με την τεχνολογία με διαφανή τρόπο, η φάση εκμάθησης της σχεδιαστικής εμπειρίας μπορεί να ξεκινήσει. Σε αυτή τη φάση του παραδείγματος των φωτοδεικτών, η μηχανική μάθηση μπορεί να δείξει τι έχει συγκεντρώσει από τη πρώτη φάση, αλλά να την εφαρμόσει σε μεγαλύτερη κλίμακα.
Εδώ, ένας χρήστης μπορεί να λάβει αυτή την προτροπή: “Βρήκαμε 15 φωτογραφίες του Γιάννη Παπαδόπουλου. Κάντε κλικ για να προσθέσετε ετικέτες σε όλες τις φωτογραφίες. “Ενώ οι άνθρωποι μπορεί να χρειαστεί να καταργήσετε την επιλογή μιας ή δύο φωτογραφιών που αναγνωρίστηκαν εσφαλμένα ως Γιάννη Παπαδόπουλου, αυτό είναι ο τρόπος εκμάθησης μηχανής.
Μόλις οι χρήστες έχουν βιώσει πολλαπλές αλληλεπιδράσεις με την τεχνολογία και κάνουν επιλογές βάσει συστάσεων στη φάση των επιλογών, η τεχνολογία θα μπορέσει να μάθει από την εισήγηση και να ενημερώσει τις μελλοντικές συστάσεις αναλόγως. Η φάση μάθησης επιτρέπει στους χρήστες να δουν από πρώτο χέρι τον τρόπο με τον οποίο η τεχνολογία ανταποκρίνεται και προσαρμόζεται στα σχόλιά τους.
Φάση 3. Προβλέψεις.
Σε αυτή την τρίτη φάση, η τεχνολογία θα έχει δημιουργήσει μια ομάδα από καταγεγραμμένες και πληροφορίες που έχει μάθει από προηγούμενες αλληλεπιδράσεις. Χρησιμοποιώντας αυτό το νεοδημιουργημένο αποθετήριο πληροφοριών, η τεχνολογία μηχανικής μάθησης μπορεί να συμβάλει σε χαμηλού κινδύνου, υψηλές προβλέψεις εμπιστοσύνης και να λάβει σχετικές ενέργειες.
Επιστρέφοντας στο παράδειγμα της ετικέτας φωτογραφιών μας, σε αυτό το σημείο της εμπειρίας σχεδιασμού, ο χρήστης θα κληθεί να λάβει άδεια για να επισημάνει αυτόματα όλες τις μελλοντικές φωτογραφίες του Γιάννη Παπαδόπουλου. Αυτή η φάση σχεδιασμού αυτοματοποιεί τις χαμηλού κινδύνου, καθημερινές ενέργειες, δίνοντας ταυτόχρονα στον τελικό χρήστη τον τελικό λόγο.
Μόλις οι χρήστες έχουν βιώσει αυτά τα τρία στάδια σχεδιασμού, θα έχει δημιουργηθεί ένα επίπεδο εμπιστοσύνης και διαφάνειας που θα δίνει στην τεχνητή νοημοσύνη να μάθει το διάδρομο για να απογειωθεί πραγματικά. Αλλά η τεχνολογία εκμάθησης που είναι υπεύθυνη για καθημερινές εργασίες χαμηλού κινδύνου είναι μόνο η αρχή.
Καθώς οι χρήστες εμπιστεύονται όλο και περισσότερο την τεχνολογία της μηχανικής μάθησης, μπορεί να γίνει ένα εξαιρετικά ευεργετικό εργαλείο που θα τους ωθεί να επικεντρωθούν στα πιο περίπλοκα σχέδια.
