Διαχείριση και Υιοθέτηση Αλλαγών

Κέρδη:

• Ικανότητα κατανόησης ότι ο μετασχηματισμός της τεχνητής νοημοσύνης συχνά αποτυγχάνει για ανθρώπινους και πολιτιστικούς λόγους, όχι για τεχνικούς, και αναγνωρίζει τις ανησυχίες που κρύβονται πίσω από την αντίσταση
• Ικανότητα επιτάχυνσης της υιοθεσίας με μια συναρπαστική ιστορία «γιατί», ορατή ηγεσία και ένα δίκτυο πρωταθλητών
• Δυνατότητα διαχείρισης της αλλαγής ως συνέχειας, όχι μιας εφάπαξ ανακοίνωσης, μετρώντας την υιοθέτηση με μετρήσεις και αφαιρώντας τα εμπόδια

Η σκληρή πραγματικότητα ενός μετασχηματισμού AI είναι η εξής: η στρατηγική, η τεχνολογία και ο προϋπολογισμός μπορεί να είναι τέλεια. Αλλά αν οι άνθρωποι δεν αγκαλιάσουν την αλλαγή, όλα είναι μάταια. Η έρευνα δείχνει σταθερά ότι οι περισσότερες από τις αποτυχίες των πρωτοβουλιών τεχνητής νοημοσύνης δεν είναι τεχνικές, αλλά ανθρώπινες και πολιτιστικές. Σε αυτή την τελευταία ενότητα, θα μάθετε πώς ένας ανώτερος διευθυντής μπορεί να διεξάγει τη διαχείριση αλλαγών (την πειθαρχία της συστηματικής διαχείρισης της μετάβασης των ανθρώπων σε έναν νέο τρόπο εργασίας) για να μετατρέψει τον μετασχηματισμό της τεχνητής νοημοσύνης σε πραγματική υιοθέτηση (την πραγματική και διαρκή χρήση μιας καινοτομίας από τους ανθρώπους). Ο στόχος δεν είναι η εγκατάσταση της τεχνολογίας. είναι να διασφαλιστεί ότι οι άνθρωποι το χρησιμοποιούν με ασφάλεια, πρόθυμα και σωστά.

Γιατί οι άνθρωποι αντιστέκονται;

Η αντίσταση συχνά δεν είναι βλακεία ή πείσμα, αλλά κατανοητές ανησυχίες: φόβος για την ασφάλεια της εργασίας («θα μου πάρει η τεχνητή νοημοσύνη;»), άγχος ικανότητας («δεν μπορώ να το μάθω αυτό»), έλλειψη αυτοπεποίθησης («Δεν μπορώ να εμπιστευτώ την έκδοσή της») και απώλεια νοήματος («γιατί πρέπει να αλλάξουμε;»). Η παράβλεψη αυτών των ανησυχιών μεγεθύνει την αντίσταση. Η ανοιχτή γνωριμία τους επιταχύνει την υιοθεσία.

άγχος

υποκείμενο ερώτημα

Απάντηση διαχειριστή

ασφάλεια εργασίας

Θα χάσω τη δουλειά μου;

Εξηγήστε ξεκάθαρα πώς θα εμπλουτιστεί ο ρόλος

αρμοδιότητα

Μπορώ να το μάθω αυτό;

Εκπαίδευση, υποστήριξη, ασφαλής περιοχή δοκιμών

εμπιστοσύνη

Μπορώ να εμπιστευτώ την έξοδο;

Διδασκαλία ορίων, επικύρωση

Σημασία

Γιατί να αλλάξω;

Εξηγήστε το «γιατί» πειστικά

Συμβουλή: Πλαισιώστε την αλλαγή όχι ως «η τεχνητή νοημοσύνη αντικαθιστά τους ανθρώπους» αλλά ως «η τεχνητή νοημοσύνη κάνει τις δουλειές των ανθρώπων ευκολότερες, αναλαμβάνει το βαρετό κομμάτι, αφήνοντας τους ανθρώπους να κάνουν πιο πολύτιμη δουλειά». Αυτό το πλαίσιο της ίδιας αλήθειας αντικαθιστά τον φόβο με την περιέργεια.

Βασικά βήματα διαχείρισης αλλαγών

Η ουσία των κλασικών μοντέλων αλλαγής (π.χ. τα βήματα του Κόττερ) προσαρμοσμένα στην τεχνητή νοημοσύνη:

1. Δημιουργήστε επείγον και λόγο. Γιατί τώρα, γιατί εμείς; Μια συναρπαστική ιστορία.
2. Δείξτε ορατή ηγεσία. Η ανώτατη διοίκηση θα πρέπει να χρησιμοποιεί το ίδιο το εργαλείο. όχι με ρητορική αλλά με παράδειγμα.
3. Κάντε ορατά τα πρώιμα κέρδη. Γιορτάστε και διαδώστε τη λέξη για μικρές αλλά πραγματικές επιτυχίες.
4. Εκπαίδευση και υποστήριξη. Ικανότητα και ασφαλές πεδίο δοκιμών για όλους.
5. Δημιουργήστε πρωταθλητές. Συμπεριλάβετε εθελοντές, ενθουσιώδεις πρωταθλητές αλλαγής σε κάθε ομάδα.
6. Κάντε το μόνιμο. Ενσωματώστε νέα συμπεριφορά σε διαδικασίες, στόχους και κουλτούρα.

Βήμα προς βήμα: σχέδιο υιοθεσίας

1. Χαρτογραφήστε τα ενδιαφερόμενα μέρη και τις ανησυχίες. Ποιος επηρεάζεται, τι ανησυχεί;

2. Δώστε ένα συναρπαστικό «γιατί». Δημιουργήστε την ιστορία της αλλαγής στη γλώσσα των ανθρώπων.

3. Δείξτε ηγεσία με το παράδειγμα. Αφήστε τους διαχειριστές να χρησιμοποιούν το εργαλείο με ορατό τρόπο.

4. Δημιουργήστε ένα δίκτυο εκπαίδευσης και πρωταθλητών. Ενδυναμώστε, ενδυναμώστε τους εθελοντές πρωτοπόρους.

5. Μετρήστε, ακούστε, προσαρμόστε. Μετρήστε το ποσοστό υιοθέτησης, συλλέξτε σχόλια, αφαιρέστε τα εμπόδια.

τρεις μίνι θήκες

Περίπτωση 1 — Αγνόησε τον φόβο. Μια λογιστική εταιρεία διαφημίζει το εργαλείο τεχνητής νοημοσύνης της «για την αποτελεσματικότητα», αλλά ποτέ δεν αντιμετώπισε τους φόβους των εργαζομένων για την ασφάλεια της εργασίας. Ο λόγος διαδόθηκε, η ομάδα σαμποτάρει αθόρυβα το εργαλείο, η υιοθέτηση παρέμεινε στο 20%. Η διοίκηση υποχώρησε και πραγματοποίησε μια ανοιχτή συνεδρίαση, εξηγώντας ότι κανείς δεν θα απολυόταν και ότι ο μεσάζων θα αναλάμβανε τη βαρετή δουλειά και θα ωθούσε όλους να συμβουλευτούν. Σε 3 μήνες, η υιοθεσία αυξήθηκε στο 75%. Το να μιλάμε για φόβο ήταν η λύση.

Περίπτωση 2 — Παράδειγμα με την ηγεσία. Ο Διευθύνων Σύμβουλος μιας εταιρείας τεχνολογίας χρησιμοποίησε το εργαλείο AI δημόσια ενώ ετοίμαζε τη δική του εβδομαδιαία αναφορά και μοιράστηκε επίσης τα λάθη του («δείτε, έκανε ένα λάθος εδώ, το διόρθωσα»). Αυτή η ορατή ηγεσία έστειλε το μήνυμα ότι «αν το χρησιμοποιεί το αφεντικό, είναι σοβαρό» και έδειξε ότι η επαλήθευση ήταν φυσιολογική. Η υιοθεσία εξαπλώθηκε γρήγορα, χωρίς καμία απώθηση.

Περίπτωση 3 — Η δύναμη του δικτύου πρωταθλητών. Ένας έμπορος λιανικής επέλεξε έναν εθελοντή «Πρωταθλητή AI» από κάθε κατάστημα. Αυτά τα άτομα έλαβαν επιπλέον εκπαίδευση και τους ανατέθηκε το καθήκον να βοηθήσουν τους συναδέλφους τους ένας προς έναν. Η μάθηση από έναν φίλο που έκανε την ίδια δουλειά αντί για μια ομάδα εξ αποστάσεως εκπαίδευσης επιτάχυνε την υιοθεσία κατά 3 φορές. Ο πιο αποτελεσματικός δάσκαλος ήταν ο ενθουσιώδης συνάδελφος στο διπλανό τραπέζι.

Τέσσερα πρότυπα με δυνατότητα αντιγραφής

1) Χάρτης ενδιαφερομένων και ανησυχιών:

Ο ρόλος σας: σύμβουλος διαχείρισης αλλαγών. Καταγράψτε τις ομάδες ενδιαφερομένων που επηρεάζονται από αυτήν την πρωτοβουλία AI και προσδιορίστε το κύριο μέλημα που μπορεί να έχει κάθε ομάδα (ασφάλεια εργασίας, ικανότητα, εμπιστοσύνη, νόημα). Γράψτε έναν χαιρετισμό για κάθε ανησυχία. Πρωτοβουλία: [κείμενο]

2) Η ιστορία του «γιατί»:

Σχεδιάστε μια συναρπαστική ιστορία "γιατί τώρα, γιατί εμείς" για να πείτε σε όσους εργάζονται σε αυτήν τη μετατόπιση της τεχνητής νοημοσύνης. Αντικαταστήστε τον φόβο με την περιέργεια. Τονίστε ότι το εργαλείο αναλαμβάνει τη βαρετή δουλειά και αφήνει τον άνθρωπο σε πιο πολύτιμη δουλειά. Αλλαγή: [κείμενο]

3) Πρόγραμμα πρωταθλητών:

Σχεδιάστε ένα πρόγραμμα «πρωταθλητή» που θα επιταχύνει την υιοθέτηση της τεχνητής νοημοσύνης στις ομάδες: πώς επιλέγονται οι πρωταθλητές, ποια εκπαίδευση λαμβάνουν, ποια εργασία αναλαμβάνουν, πώς έχουν κίνητρα; Γράψτε ένα συνοπτικό και εφαρμόσιμο σχέδιο.

4) Σχέδιο μέτρησης υιοθεσίας:

Προτείνετε μετρήσεις για τη μέτρηση της υιοθέτησης ενός εργαλείου τεχνητής νοημοσύνης: ποσοστό ενεργού χρήσης, συχνότητα χρήσης, ικανοποίηση χρήστη, ανατροφοδότηση φραγμού. Για κάθε μέτρηση, γράψτε πώς θα συλλεχθεί και ποιο όριο θα θεωρηθεί "υγιεινό".

Αδύναμη προτροπή / Ισχυρή προτροπή

Αδύναμο: "Τι πρέπει να κάνω για να κάνω τους ανθρώπους να χρησιμοποιούν AI;"

Συμπέρασμα: Γενικές συστάσεις «εκπαίδευση, επικοινωνία». δεν βλέπει τις ανησυχίες και το πλαίσιο.

Strong: "Χρησιμοποιούμε ένα εργαλείο υποστήριξης AI σε ένα τηλεφωνικό κέντρο 150 ατόμων. Υπάρχει έντονος φόβος για την ασφάλεια της εργασίας στην ομάδα. Κάντε ένα σχέδιο υιοθεσίας ειδικά για αυτήν την κατάσταση: πώς αντιμετωπίζω τις ανησυχίες των ενδιαφερόμενων μερών, ποια θα πρέπει να είναι η συναρπαστική ιστορία "γιατί" που λέω στους υπαλλήλους, πώς δημιουργώ ένα πρόγραμμα πρωταθλητών και με ποιες μετρήσεις μετράω τα βήματα 90 για την υιοθέτηση."

Αποτέλεσμα: Ένα δραστικό σχέδιο υιοθεσίας με μέτρηση ιστορίας-πρωταθλητή που βασίζεται στο πλαίσιο και την πραγματική ανησυχία.

Συνήθη λάθη

• Παρακάμπτοντας την ανθρώπινη διάσταση. Η εστίαση στην τεχνολογία και η αγνόηση των φόβων και των ανησυχιών είναι η πιο κοινή αιτία αποτυχίας.
• Δεν μιλάμε για φόβο. Όταν το άγχος για την ασφάλεια της εργασίας καταστέλλεται, επιστρέφει ως σιωπηλό σαμποτάζ. αντιμετωπίστε το ξεκάθαρα.
• Έλλειψη ηγεσίας με το παράδειγμα. Ο διαχειριστής που λέει «Το χρησιμοποιείς» αλλά δεν το χρησιμοποιεί ο ίδιος διαψεύδει το μήνυμά του.
• Επικοινωνία μόνο από πάνω. Η πιο αποτελεσματική διδασκαλία προέρχεται από έναν στενό συνάδελφο (τον πρωταθλητή), όχι από μια μακρινή ομάδα.
• Δεν μετράει την υιοθεσία. Ένα ίδρυμα που δεν μετράει αν χρησιμοποιείται ή όχι δεν μπορεί να δει τα εμπόδια.

Προσοχή: Η διαχείριση αλλαγών δεν είναι μια εφάπαξ ανακοίνωση, αλλά μια διαδικασία που απαιτεί συνέχεια. Το AI μπορεί να σας προτείνει ένα σχέδιο υιοθεσίας ή ένα κείμενο επικοινωνίας. Αλλά η ακρόαση των πραγματικών ανησυχιών των ανθρώπων, η οικοδόμηση εμπιστοσύνης και η παροχή παραδειγμάτων μπορεί να συμβεί μόνο μέσω της ανθρώπινης ηγεσίας. Επίσης, να είστε ειλικρινείς: η προετοιμασία των ανθρώπων για νέους ρόλους είναι ηθική και πιο βιώσιμη, αντί να κρύβετε καταστάσεις όπου η τεχνητή νοημοσύνη θα αντικαταστήσει ορισμένους ρόλους.

Συνοπτικά

Οι μετασχηματισμοί της τεχνητής νοημοσύνης συχνά αποτυγχάνουν για ανθρώπινους και πολιτιστικούς λόγους, όχι για τεχνικούς. Αντίσταση; Η εργασιακή ασφάλεια προκύπτει από ανησυχίες σχετικά με την ικανότητα, την εμπιστοσύνη και το νόημα και επιλύεται με την ανοιχτή αντιμετώπιση αυτών των ανησυχιών, όχι με την αγνόησή τους. Η επιτυχημένη διαχείριση αλλαγών λέει ένα συναρπαστικό «γιατί», δίνει το παράδειγμα με ορατή ηγεσία, γιορτάζει τις πρώτες νίκες, εκπαιδεύει τους πάντες, χτίζει ένα δίκτυο πρωταθλητών και ενσωματώνει τη νέα συμπεριφορά στην κουλτούρα. Η υιοθεσία πρέπει να μετριέται, να ακούγεται και να αφαιρούνται τα εμπόδια. Κατά τη διάρκεια αυτής της ενότητας? Από το όραμα στον οδικό χάρτη, από την ιεράρχηση περιπτώσεων χρήσης έως την απόδοση επένδυσης (ROI) και τον κίνδυνο, τη διακυβέρνηση, την ηθική, τη συμμόρφωση, το ταλέντο και τις προμήθειες, έχουμε δημιουργήσει το πλαίσιο που χρειάζεται ένας διαχειριστής για να διαχειρίζεται τον μετασχηματισμό της τεχνητής νοημοσύνης από άκρο σε άκρο και με υπευθυνότητα. Η τεχνολογία είναι το εργαλείο. στρατηγική, διακυβέρνηση και ηγεσία ανθρώπων είναι αυτά που κάνουν την πραγματική διαφορά.

Εργασία εφαρμογής

Επιλέξτε μια πρωτοβουλία τεχνητής νοημοσύνης και χαρτογραφήστε τις ανησυχίες των ενδιαφερόμενων μερών με το πρότυπο 1. 2. συντάξτε μια συναρπαστική ιστορία «γιατί» για να πείτε στους υπαλλήλους με το πρότυπο. Φροντίστε να αντιμετωπίσετε με ειλικρίνεια τις ανησυχίες για την ασφάλεια της εργασίας. Γράψτε τα τρία βήματα ενός προγράμματος πρωταθλητή και δύο μετρήσεις με τις οποίες θα μετρήσετε την υιοθεσία. Τέλος, "πώς μπορώ να χρησιμοποιήσω αυτό το εργαλείο εμφανώς ως ηγέτης;" Δώστε μια συγκεκριμένη απάντηση στην ερώτηση.

λίστα ελέγχου

• [ ] Χαρτογράφησα τα ενδιαφερόμενα μέρη και τις ανησυχίες τους.
• [ ] Αντιμετώπισα την ανησυχία για την ασφάλεια της εργασίας με ειλικρίνεια.
• [ ] Κατασκεύασα μια συναρπαστική ιστορία «γιατί».
• [ ] Σχεδίαζα να δώσω το παράδειγμα.
• [ ] Σχεδίασα ένα δίκτυο πρωταθλητών.
• [ ] Προσδιόρισα μετρήσεις για τη μέτρηση της υιοθέτησης.
• [ ] Σχεδίασα την αλλαγή ως συνέχεια, όχι ως μια εφάπαξ ανακοίνωση.

Εξέταση Ενοτήτων

1. Ποιο από τα παρακάτω είναι ο πραγματικός ρόλος ενός ανώτερου διευθυντή στην τεχνητή νοημοσύνη;

• Α) Δίνοντας κατεύθυνση, κατανομή πόρων, χάραξη ορίων κινδύνου και ανάληψη ευθύνης ✔
• Β) Προσωπική επιλογή και κωδικοποίηση της αρχιτεκτονικής και του αλγόριθμου του μοντέλου
• Γ) Παραδώστε πλήρως την τεχνητή νοημοσύνη στην ομάδα τεχνολογίας και περιμένετε τα αποτελέσματα
• Δ) Επιτρέποντας σε κάθε τμήμα να δοκιμάσει ελεύθερα το δικό του εργαλείο.

Εξήγηση: Η δουλειά του διαχειριστή δεν είναι να εκπαιδεύει μοντέλα ή να γράφει κώδικα. Δίνοντας κατεύθυνση, κατανομή πόρων, χάραξη ορίων κινδύνου και υιοθέτηση λογοδοσίας. Η τεχνική ομάδα λύνει την ερώτηση «πώς», ο διευθυντής λύνει τις ερωτήσεις «γιατί, πότε, σε ποια όρια και ποιος είναι υπεύθυνος». Η τεχνητή νοημοσύνη δεν είναι ένα τεχνολογικό έργο, αλλά ένα ζήτημα επιχειρηματικού μετασχηματισμού και η ιδιοκτησία θα πρέπει να είναι από την πλευρά των επιχειρήσεων.

2. Ποιο είναι το βασικό χαρακτηριστικό που διακρίνει ένα καλό όραμα AI από ένα κενό σλόγκαν;

• Α) Περιέχει το όνομα της νεότερης τεχνολογίας
• Β) Εξαρτάται από το επιχειρηματικό αποτέλεσμα, είναι μετρήσιμο και έχει χρονικό ορίζοντα ✔
• Γ) Να είστε όσο το δυνατόν πιο ισχυροί και γενικοί
• Δ) Παρόμοιο με το όραμα των ανταγωνιστών

Εξήγηση: Ένα καλό όραμα συνδέεται με το επιχειρηματικό αποτέλεσμα (όχι τεχνολογία), είναι μετρήσιμο και έχει χρονικό ορίζοντα. Το «Θα είμαστε ηγέτες στην τεχνητή νοημοσύνη» είναι αμέτρητο και δεν περιλαμβάνει επιχειρηματικά αποτελέσματα. «Θα μειώσουμε στο μισό τον χρόνο πρώτης απόκρισης και θα μειώσουμε το κόστος κατά 15% σε τρία χρόνια» είναι συγκεκριμένο, μετρημένο και έχει χρονικό ορίζοντα. Όταν αφαιρείτε τη λέξη «τεχνητή νοημοσύνη» από το όραμα, θα πρέπει να μείνετε με έναν ουσιαστικό επιχειρηματικό στόχο.

3. Ποιες είναι οι διαστάσεις που ξεχωρίζουν ως αόρατα προαπαιτούμενα για τα περισσότερα ιδρύματα στην αξιολόγηση ωριμότητας τεχνητής νοημοσύνης και δεν πρέπει να επενδύονται όταν είναι αδύναμα;

• Α) Μόνο διαστάσεις μάρκετινγκ και επωνυμίας
• Β) Μόνο υποδομή υλικού και γραφείου
• Γ) Δεδομένα και διακυβέρνηση ✔
• Δ) Ανάλυση και τιμολόγηση ανταγωνιστών

Περιγραφή: Η ωριμότητα μετριέται σε πέντε διαστάσεις (στρατηγική, δεδομένα, τεχνολογία, ταλέντο, διακυβέρνηση). Τα δεδομένα και η διακυβέρνηση είναι συχνά αόρατες προϋποθέσεις: η κατασκευή ενός ακριβού μοντέλου όταν τα δεδομένα είναι ακατάστατα και κακής ποιότητας είναι σαν να αγοράζεις ένα ράφι σε μια άδεια αποθήκη. Χωρίς διακυβέρνηση, ο κίνδυνος συσσωρεύεται αθόρυβα. Γι' αυτό κλείνονται τα κενά κατά σειρά εξάρτησης και τα δεδομένα και η διακυβέρνηση έχουν γενικά προτεραιότητα.

4. Ποια είναι η σωστή προσέγγιση για μια περίπτωση χρήσης στην περιοχή «υψηλής τιμής + χαμηλής εφαρμογής» του πίνακα τιμής/εφαρμογής;

• Α) Άμεση ανάπτυξη σε πλήρη κλίμακα
• Β) Να τα παρατήσεις εντελώς γιατί είναι άχρηστο
• Γ) Κάνοντας το στον ελεύθερο χρόνο ως εργασία πλήρωσης χαμηλής προτεραιότητας
• Δ) Σχεδιάζοντας ως μεγάλο στοίχημα και καθιερώνοντας τις προϋποθέσεις του, εν τω μεταξύ προχωρώντας με γρήγορα κέρδη ✔

Περιγραφή: Αυτή η περιοχή ονομάζεται «μεγάλο στοίχημα»: έχει υψηλή αξία, αλλά δεν μπορεί να πραγματοποιηθεί αμέσως λόγω δεδομένων, ενοποίησης ή τεχνικής δυσκολίας. Η σωστή προσέγγιση είναι να το προγραμματίσετε και να καθορίσετε τις προϋποθέσεις του (υποδομή δεδομένων, ενοποίηση). Η κατάδυση στα τυφλά σημαίνει μήνες άχρηστης εργασίας. Εν τω μεταξύ, με «γρήγορες νίκες» (υψηλή αξία + υψηλή βιωσιμότητα) δημιουργείται δυναμική και χρηματοδοτείται αυτό το μεγάλο στοίχημα.

5. Για να αποδείξετε την αξία ενός πιλότου AI, ποιο είναι το πιο κρίσιμο πράγμα που πρέπει να κάνετε πριν ξεκινήσετε;

• Α) Ορίστε τη μέτρηση επιτυχίας και μετρήστε τη βασική γραμμή της τρέχουσας κατάστασης ✔
• Β) Αγορά του ακριβότερου δυνατού οχήματος
• Γ) Άνοιγμα του πιλότου σε ολόκληρο το ίδρυμα ταυτόχρονα
• Δ) Αναφορά των αποτελεσμάτων με πρόβλεψη μετά το πέρας του πιλότου

Επεξήγηση: Η γραμμή βάσης είναι μια μέτρηση της τρέχουσας κατάστασης πριν από τη βελτίωση. Χωρίς βάση, ο ισχυρισμός ότι είμαστε «βελτιωμένοι» δεν μπορεί να αποδειχθεί. "πόσο βελτιώθηκε;" στην απόφαση κλιμάκωσης. Η ερώτηση δεν μπορεί να απαντηθεί. Επομένως, πριν ξεκινήσει το πιλοτικό, θα πρέπει να καθοριστεί η μέτρηση επιτυχίας και η τρέχουσα κατάσταση να μετρηθεί σε αριθμούς. Δεν μπορείτε να διαχειριστείτε και να υπερασπιστείτε την αξία που δεν μπορείτε να μετρήσετε.

6. Ποια στοιχεία κόστους παραβλέπονται συχνότερα από τα ιδρύματα στον υπολογισμό της απόδοσης επένδυσης της τεχνητής νοημοσύνης και τους κάνουν να πιστεύουν ότι το έργο είναι κερδοφόρο;

• Α) Μόνο γενικά έξοδα όπως ενοίκιο γραφείου και ρεύμα
• Β) Κρυφό κόστος όπως ενσωμάτωση, διαρκής ανθρώπινη επίβλεψη και συντήρηση ✔
• Γ) Μόνο προϋπολογισμός μάρκετινγκ και διαφήμισης
• Δ) Κανένα. Το τέλος άδειας είναι το μόνο πραγματικό κόστος

Εξήγηση: Τα ιδρύματα συνήθως υπολογίζουν μόνο το τέλος άδειας/χρήσης. ενώ στην τεχνητή νοημοσύνη, το κρυφό κόστος είναι γενικά η ενοποίηση, η προετοιμασία δεδομένων, η συνεχής ανθρώπινη παρακολούθηση, η συντήρηση και η διαχείριση αλλαγών, και συχνά είναι μεγαλύτερα από την αδειοδότηση. Όταν αυτά τα στοιχεία παραλείπονται, ένα έργο που θεωρείται «κερδοφόρο» μπορεί στην πραγματικότητα να λειτουργεί με ζημία. Επιπλέον, από την πλευρά του οφέλους, θα πρέπει να αμφισβητηθεί εάν ο χρόνος που εξοικονομείται μετατρέπεται πραγματικά σε αξία.

7. Τι σημαίνει «μετατροπή μοντέλου» στους κινδύνους τεχνητής νοημοσύνης και γιατί απαιτεί συνεχή παρακολούθηση;

• Α) Μετακίνηση του μοντέλου μεταξύ φυσικών διακομιστών
• Β) Το τέλος άδειας χρήσης του μοντέλου αυξάνεται με την πάροδο του χρόνου
• Γ) Η απόδοση του μοντέλου μειώνεται σιωπηλά με την πάροδο του χρόνου καθώς ο κόσμος αλλάζει ✔
• Δ) Η έξοδος του μοντέλου παραμένει πάντα η ίδια

Εξήγηση: Η μετατόπιση μοντέλου είναι όταν το μοντέλο φθείρεται και η απόδοσή του μειώνεται σιωπηλά καθώς αλλάζει ο κόσμος (νέα προϊόντα, νέες συμπεριφορές, νέα πρότυπα απάτης). Ένα μοντέλο που λειτουργεί καλά μια φορά δεν λειτουργεί καλά για πάντα. Γι' αυτό είναι απαραίτητη η τακτική παρακολούθηση της απόδοσης. Για παράδειγμα, ένα μοτίβο απάτης μπορεί να αποδυναμωθεί σιωπηλά μπροστά σε ένα νέο μοτίβο και χωρίς παρακολούθηση η απώλεια αυξάνεται εκθετικά.

8. Ποια είναι η σωστή προσέγγιση κατά το σχεδιασμό διαδικασιών έγκρισης στη διακυβέρνηση της τεχνητής νοημοσύνης;

• Α) Υποβολή κάθε πρωτοβουλίας τεχνητής νοημοσύνης στην ίδια βαριά έγκριση, ανεξάρτητα από τον κίνδυνο
• Β) Έγκριση κλιμάκωσης ανά επίπεδο κινδύνου: γρήγορος χαμηλός κίνδυνος, αυστηρός έλεγχος υψηλού κινδύνου ✔
• Γ) Δίνοντας πλήρη ελευθερία στις ομάδες χωρίς καμία διαδικασία έγκρισης
• Δ) Αφήνοντας όλες τις εγκρίσεις μόνο στην ομάδα τεχνολογίας

Περιγραφή: Η χρηστή διακυβέρνηση εξισορροπεί την ταχύτητα, την ασφάλεια και τη συνέπεια. Η εφαρμογή της ίδιας βαριάς έγκρισης σε κάθε εργασία (ακόμη και χαμηλού κινδύνου) ωθεί τις ομάδες σε σκιώδη χρήση. Καμία έγκριση δεν συσσωρεύει κίνδυνο. Η σωστή προσέγγιση είναι η έγκριση επιπέδων ανά επίπεδο κινδύνου: οι εργασίες χαμηλού κινδύνου πρέπει να ρέουν γρήγορα, μόνο οι εργασίες υψηλού κινδύνου πρέπει να υπόκεινται σε βαρύ έλεγχο. Έτσι, διατηρείται τόσο η ταχύτητα όσο και ο έλεγχος.

9. Τι ισχύει για τη σχέση ηθικής και νομικής συμμόρφωσης;

• Α) Η ηθική και η νομική συμμόρφωση είναι το ίδιο πράγμα. Ό,τι συναντά το ένα συναντά και το άλλο.
• Β) Η νομική συμμόρφωση είναι ανώτερη γραμμή από την ηθική
• Γ) Η νομική συμμόρφωση είναι το ελάχιστο. Η ηθική είναι ανώτερη γραμμή και δεν είναι ό,τι είναι νόμιμο μπορεί να είναι ηθικό ✔
• Δ) Η ηθική έχει σημασία μόνο όταν ο νόμος αφήνει κενό

Περιγραφή: Η νομική συμμόρφωση είναι το ελάχιστο. Η ηθική είναι ανώτερη γραμμή. Κάτι μπορεί να είναι νόμιμο αλλά ανήθικο. Για παράδειγμα, ένα χαρακτηριστικό τεχνητής νοημοσύνης που χειρίζεται τη συμπεριφορά των χρηστών μπορεί να μην απαγορεύεται, αλλά είναι ανήθικο. Οι αρμόδιοι φορείς «απαγορεύεται;» Όχι "Είναι αλήθεια;" ρωτάει. Η ηθική δεν μπορεί να αφεθεί στο τέλος. πρέπει να ενσωματωθεί στο σχέδιο από την αρχή.

10. Ποιο είναι το κύριο κριτήριο για να θεωρείται ένα σύστημα «υψηλού κινδύνου» στο δίκαιο της ΕΕ για την τεχνητή νοημοσύνη;

• Α) Πόσο ακριβό είναι το σύστημα
• Β) Πόσους χρήστες έχει το σύστημα
• Γ) Σε ποια χώρα αναπτύχθηκε το σύστημα;
• Δ) Το σύστημα επηρεάζει άμεσα τα θεμελιώδη δικαιώματα, την ασφάλεια ή τις ευκαιρίες ζωής των ανθρώπων ✔

Περιγραφή: Ο νόμος της ΕΕ για την τεχνητή νοημοσύνη θεσπίζει μια λογική που βασίζεται στον κίνδυνο. Ένα σύστημα υψηλού κινδύνου είναι αυτό που μπορεί να επηρεάσει άμεσα τα θεμελιώδη δικαιώματα των ανθρώπων, την ασφάλεια ή τις ευκαιρίες ζωής (θέσεις εργασίας, πιστώσεις, εκπαίδευση, υγεία). Η διαχείριση κινδύνου, η ποιότητα και τα αμερόληπτα δεδομένα, η ανθρώπινη εποπτεία, η τεκμηρίωση, η τήρηση αρχείων και η διαφάνεια είναι απαραίτητα για αυτά τα συστήματα. «Αυτό το σύστημα εμπλέκεται σε μια απόφαση που επηρεάζει τη δουλειά, τα χρήματα, την υγεία ή την ελευθερία ενός ατόμου;» η ερώτηση είναι ένας καλός προκαταρκτικός δείκτης.

11. Γιατί είναι μια από τις πιο επικίνδυνες και συχνές παραβιάσεις του KVKK για έναν υπάλληλο να επικολλά προσωπικά δεδομένα πελατών σε ένα δημοσίως διαθέσιμο εργαλείο τεχνητής νοημοσύνης που βασίζεται στο εξωτερικό;

• Α) Μόνο επειδή κάνει το όχημα να κινείται αργά
• Β) Επειδή συχνά σημαίνει μη εξουσιοδοτημένη μεταφορά δεδομένων στο εξωτερικό και ακούσια επεξεργασία ✔
• Γ) Μόνο επειδή το όχημα πληρώνεται
• Δ) Στην πραγματικότητα, δεν εγκυμονεί κινδύνους, είναι απολύτως ασφαλές.

Επεξήγηση: Αυτή η ενέργεια συχνά σημαίνει τόσο «μεταφορά δεδομένων στο εξωτερικό» (με την επιφύλαξη ειδικών κανόνων) όσο και «μη σκόπιμη επεξεργασία» (τα δεδομένα χρησιμοποιούνται για σκοπούς διαφορετικούς από τον σκοπό για τον οποίο συλλέχθηκαν) και συνήθως γίνεται χωρίς έγκυρη νομική βάση και διευκρίνιση. Δημιουργεί σοβαρό κίνδυνο παράβασης και διοικητικό πρόστιμο όσον αφορά το KVKK. Επομένως, μια αποδεκτή πολιτική χρήσης και εταιρικά εργαλεία που δεν διαρρέουν δεδομένα είναι απαραίτητα.

12. Ποιος είναι ο σκοπός του ρόλου του «μεταφραστή», ο οποίος είναι ο πιο συχνά παραγνωρισμένος και καθοριστικός ρόλος στην ικανότητα τεχνητής νοημοσύνης;

• Α) Μετάφραση μόνο ξενόγλωσσων εγγράφων
• Β) Διαχείριση διακομιστών και βάσεων δεδομένων
• Γ) Το άτομο που μετατρέπει το επιχειρηματικό πρόβλημα σε λύση τεχνητής νοημοσύνης και χτίζει μια γέφυρα μεταξύ επιχείρησης και τεχνολογίας ✔
• Δ) Παρέχετε βασική εκπαίδευση οχημάτων μόνο στους υπαλλήλους

Περιγραφή: Ένας μεταφραστής τεχνητής νοημοσύνης (μεταφραστής τεχνητής νοημοσύνης) είναι ένα άτομο που μεταφράζει την επιχειρηματική γλώσσα σε τεχνική γλώσσα και αντίστροφα, χτίζοντας τη γέφυρα «ποιο επιχειρηματικό πρόβλημα επιλύεται με ποια λύση τεχνητής νοημοσύνης». Οι πιο ακριβές αποτυχίες προκαλούνται συχνά όχι από έλλειψη ειδικών αλλά από έλλειψη μεταφραστών: η τεχνική ομάδα κατασκευάζει ένα τέλειο μοντέλο αλλά για το λάθος πρόβλημα. Τα ιδρύματα επενδύουν πάρα πολλά σε ειδικούς και πολύ λίγα σε μεταφραστές και μαζική παιδεία. Ωστόσο, γενικά είναι τα δύο τελευταία που ανοίγουν την τιμή.

13. Ποια είναι η βασική αρχή στην απόφαση «κάντε ή αγοράστε» για ένα ταλέντο τεχνητής νοημοσύνης;

• Α) Να αγοράζετε πάντα, γιατί είναι φθηνότερο
• Β) Δημιουργία βασικών δυνατοτήτων διαφοροποίησης, αγορά τυπικών δυνατοτήτων ✔
• Γ) Πάντα να αναπτύσσεσαι μέσα σου, γιατί είναι πιο ασφαλές
• Δ) Επιλογή αυτού που προτείνει ο πιο δημοφιλής προμηθευτής

Περιγραφή: Η βασική αρχή είναι: να γίνουν οι βασικές ικανότητες μοναδικές στον οργανισμό που δημιουργούν ανταγωνιστικό πλεονέκτημα. Αγοράστε τυπικές, κοινές, μη διαφοροποιητικές δυνατότητες. Ένα μοντέλο πρόβλεψης που ο ανταγωνιστής σας δεν μπορεί να δημιουργήσει με τα δικά σας δεδομένα είναι ο πυρήνας. Ένα εργαλείο σύνοψης κειμένου είναι στάνταρ. Η εξωτερική ανάθεση βασικών ταλέντων ενοικιάζει την ανταγωνιστικότητα μακροπρόθεσμα και μεγεθύνει τον κίνδυνο αποκλεισμού προμηθευτών.

14. Ποιος είναι ο πιο συνηθισμένος λόγος αποτυχίας των μετασχηματισμών τεχνητής νοημοσύνης και η πιο αποτελεσματική προσέγγιση εναντίον του;

• Α) Ανεπαρκής ακρίβεια μοντέλου. Η λύση είναι να αγοράσετε ένα μεγαλύτερο μοντέλο
• Β) Έλλειψη εξοπλισμού. Η λύση είναι να αγοράσετε περισσότερους διακομιστές
• Γ) Κόστος άδειας. Η λύση είναι να βρεθεί ένας φθηνότερος προμηθευτής
• Δ) Ανθρώπινη και πολιτιστική ανθεκτικότητα. Η λύση είναι η διαχείριση αλλαγών που αντιμετωπίζει ξεκάθαρα τις ανησυχίες ✔

Εξήγηση: Οι περισσότερες αποτυχίες δεν είναι τεχνικές, αλλά ανθρώπινες και πολιτιστικές: φόβος για την ασφάλεια της εργασίας, άγχος για την ικανότητα, έλλειψη εμπιστοσύνης και απώλεια νοήματος. Όταν αυτά τα άγχη καταπιέζονται, επιστρέφουν ως σιωπηλό σαμποτάζ. Η πιο αποτελεσματική προσέγγιση είναι να αντιμετωπίζετε ανοιχτά τις ανησυχίες, να εξηγείτε ένα συναρπαστικό «γιατί», να δίνετε το παράδειγμα και να δημιουργείτε ένα πρωταθλητικό δίκτυο στενών συναδέλφων. Η υιοθεσία πρέπει να μετρηθεί και τα εμπόδια πρέπει να αφαιρεθούν.