O co chodzi:
Zanim ocenisz ryzyko uprzedzeń, musisz wiedzieć, kogo rzeczywiście dotyka Twoja AI. I to rzadko tylko oczywiści użytkownicy. Twoi interesariusze zazwyczaj dzielą się na cztery grupy:
Bezpośredni użytkownicy: osoby aktywnie korzystające z Twojego systemu AI
Pośredni użytkownicy: osoby, na które wpływają decyzje podejmowane przez AI, bez bezpośredniej interakcji z systemem
Zespoły wewnętrzne: menedżerowie produktu, kluczowi decydenci, testerzy QA, audytorzy, dział prawny i zgodności
Zewnętrzne strony: regulatorzy, grupy rzecznicze, organizacje społeczne, media
Niektóre z tych grup są narażone na ryzyko. Niektóre są przypadkami brzegowymi, które Twoje dane treningowe ledwo reprezentują. Ta tablica pomoże Ci systematycznie je mapować, aby nikogo nie przeoczyć.
Co to pozwala osiągnąć:
Kompleksową mapę interesariuszy identyfikującą każdą grupę, która wchodzi w interakcję z Twoim AI lub jest przez nie dotknięta.
Będziesz oznaczać wrażliwe populacje, identyfikować luki w reprezentacji danych w szkoleniu i kategoryzować interesariuszy według ich roli: użytkownicy, decydenci, strony dotknięte oraz nadzór.
Ta mapa staje się podstawą do oceny, gdzie ryzyko uprzedzeń jest najwyższe.
Kto odnosi największe korzyści:
Kierownicy produktów, naukowcy zajmujący się danymi, badacze UX i zespoły międzyfunkcyjne budujące systemy AI. Szczególnie wartościowe dla zespołów pracujących w obszarach, gdzie decyzje wpływają na możliwości życiowe, finanse lub dobrostan ludzi.
Jak z tego korzystać:
Zarezerwuj 60 minut na pierwszą sesję.
Przeprowadzaj burzę mózgów dotyczące grup interesariuszy we wszystkich czterech kategoriach.
Zidentyfikuj, kto jest wrażliwy lub
Zidentyfikuj niedostatecznie reprezentowane grupy - porównaj ich wielkość w krajobrazie interesariuszy i porównaj oraz udokumentuj, jak dobrze każda grupa jest przedstawiona w danych szkoleniowych.
Dobra wiadomość: Podobnie jak Tablica 1, jest to produkt wielokrotnego użytku; przyszłe projekty będą wymagać tylko 20 minut na przegląd i dodanie nowych grup.
Część serii warsztatów na temat ograniczania uprzedzeń w AI (Tablice 1 do 4).
