سود:
- درک این موضوع که دادههای سلامت دادههای با کیفیت خاص هستند و قوانین ناشناسسازی، ذخیرهسازی و اشتراکگذاری در محدوده KVKK/قانونگذاری است.
- توانایی تدوین اصول اخلاقی (انصاف، شفافیت، پاسخگویی) و سیاست حاکمیت شرکتی در استفاده از هوش مصنوعی
- توانایی ایجاد یک چارچوب حاکمیتی که در آن خروجی هوش مصنوعی جایگزین تصمیمات مدیریتی و بالینی نشود و مسئولیت و تایید نهایی همیشه با انسان باقی بماند.
در طول این ماژول، ما از هوش مصنوعی به عنوان یک شتاب دهنده در هر حوزه عملیاتی، از قرار ملاقات ها گرفته تا تختخواب ها، از پیش بینی تا درآمد، از کیفیت تا موجودی استفاده کردیم. اما سقفی بر تمام این کاربردهای قدرتمند وجود دارد: حریم خصوصی داده ها، انطباق با مقررات و اخلاق. بدون این چارچوب، هر کسبوکاری که شتاب میدهید نیز یک ریسک تقویتشده است. این واحد آخر قوانین پراکنده را در یک چارچوب حکومتی واحد گرد هم می آورد. حکمرانی سیستم مدیریتی است که مشخص می کند چه کسی می تواند در یک موسسه چه کاری را انجام دهد و تحت چه قوانینی و مسئولیت و کنترل چگونه کار می کند. اجازه دهید یک بار دیگر اصل اصلی را به وضوح بیان کنیم: خروجی هوش مصنوعی جایگزین تصمیمات مدیریتی و بالینی نمی شود. مسئولیت و تایید نهایی همیشه با انسان است.
چرا داده های سلامت خصوصی هستند؟
داده های بهداشتی داده های معمولی نیستند. در ترکیه، KVKK (قانون حفاظت از داده های شخصی) داده های بهداشتی را به عنوان "داده های شخصی ماهیت ویژه" در نظر می گیرد. این به معنای بالاترین سطح حفاظت است. معادل اروپایی آن GDPR است. اگر تشخیص، درمان، شماره پروتکل بیمار مشخص شود، آسیب جبران ناپذیری رخ خواهد داد: انگ، تبعیض، از دست دادن اعتماد. بنابراین چند قانون اساسی وجود دارد. ناشناس سازی برای حذف تمام اطلاعاتی است که شخص را شناسایی می کند (نام، شناسه، پروتکل، تشخیص نادر + سن + ترکیب مکان) از داده ها. به حداقل رساندن داده کار با کمترین مقدار داده ای است که کار را انجام می دهد. محدودیت هدف به معنای استفاده از داده ها فقط برای هدفی است که برای آن جمع آوری شده است. محدودیت نگهداری این نیست که داده ها را بیش از حد لازم نگه دارید.
چسباندن دادههای بیمار در ابزار هوش مصنوعی عمومی ارسال دادهها به یک سرور خارجی است و نقض جدی است. رویکرد درست: دادهها را ناشناس کنید، در صورت امکان ابزارهایی را با قراردادهای شرکتی و پردازش داده انتخاب کنید (که از دادههای شما برای آموزش مدل استفاده نمیکنند)، و یک خطمشی مکتوب در مورد اینکه دادهها میتوانند به کدام ابزار وارد شوند، داشته باشید. به یاد داشته باشید: وقتی قطعات کوچک به هم می رسند، می توان شخص را دوباره تعریف کرد. در حالی که "زن 68 ساله" ایمن است، "زنی 68 ساله، اهل روستای X، مبتلا به بیماری نادر Y" دیگر ناشناس نیست.
اخلاق و حکمرانی تمام عیار
حکمرانی خوب هوش مصنوعی مبتنی بر سه اصل اخلاقی است. انصاف این است که هوش مصنوعی به طور سیستماتیک به گروه بیمار (سالمندان، کم درآمد، روستایی) آسیب وارد نمی کند. عدم استفاده از امتیاز عدم نمایش برای حذف نمونه ای از این موارد بود. شفافیت یعنی اینکه بتوانیم توضیح دهیم که تصمیم بر چه چیزی استوار است. پیشنهادی با توجیه قابل مشاهده ترجیح داده می شود، نه پیشنهاد "جعبه سیاه". مسئولیت پذیری یعنی داشتن یک فرد مسئول پشت هر تصمیمی. "هوش مصنوعی چنین گفته است" یک دفاع نیست.
آنچه این اصول را عملی می کند یک سیاست حاکمیتی است. یک خط مشی خوب تعریف می کند: چه داده هایی می توانند به کدام وسیله نقلیه بروند (طبقه بندی داده ها). قوانین ناشناس سازی؛ امتیاز تایید انسانی برای هر شغل (چه کسی چه چیزی را امضا می کند). حسابرسی و پیگیری حسابرسی (چه کسی چه زمانی چه کاری انجام داد - سابقه پیگیری)؛ و اصول اخلاقی این خطمشی تمام عبارات «مردم تصمیم میگیرند» را که در سراسر ماژول دیدیم در یک چارچوب نهادی واحد ترکیب میکند.
توجه: جمله «هوش مصنوعی پیشنهاد داد، اجرا کردم» انتقال مسئولیت نیست. از نظر قانونی و اخلاقی مسئولیت پذیرنده و اجرا کننده پیشنهاد باقی می ماند. حاکمیت دقیقاً این مسئولیت را قابل مشاهده و ردیابی می کند.
سه کیف کوچک
مورد 1 - خطر شناسایی مجدد. یک واحد خلاصه ای از پرونده "ناشناس" را به اشتراک گذاشت: "تنها بیمار پیوند قلب در شهر ما، مردی 34 ساله، ماه گذشته ترخیص شد." هیچ اسمی در این جمله وجود نداشت، اما ترکیب آن شخص را منحصر به فرد توصیف می کرد. مسئول کیفیت به این موضوع اعتراض کرد. ترکیبی از ویژگی های نادر ناشناس بودن را می شکند. خلاصه با حذف جزئیات توصیفی و تعمیم آن بازنویسی شد.
مورد 2 - ارزش رکورد ردیابی. در یک بیمارستان، شماره ای در گزارش مدیریتی که با هوش مصنوعی تهیه شده بود اشتباه بود و اطلاعات نادرستی به مدیریت ارسال شد. در جریان حسابرسی این سوال مطرح شد که این عدد از کجا آمده، چه کسی آن را تایید کرده است؟ پرسیده شد. از آنجایی که خطمشی حاکمیتی سازمان یک رکورد «منبع + تأییدکننده + تاریخ» را برای هر خروجی هوش مصنوعی الزامی میکند، بلافاصله آشکار شد که این خطا در جایی رخ داده است که مرحله تأیید رد شده است. از ضبط ردیابی برای اصلاح فرآیند استفاده شد، نه برای جستجوی مجرمان.
مورد 3 - سیاست از بروز بحران جلوگیری می کند. یک کارمند جدید قصد داشت لیست مرخصی خود را در یک ابزار هوش مصنوعی عمومی آپلود کند. در خط مشی صریح این مؤسسه آمده بود که «هیچ فایلی حاوی شناسنامه بیمار وارد ابزار باز نمیشود، ابتدا ناشناس میشوند و فقط از ابزار تأیید شده مؤسسه استفاده میشود». کارمند خط مشی را به خاطر آورد، داده ها را ناشناس کرد و از ابزار تایید شده استفاده کرد. حکمرانی مکتوب از یک اشتباه فردی به عنوان یک بازتاب نهادی جلوگیری کرد.
چهار قالب قابل کپی
1) پیش نویس خط مشی طبقه بندی داده ها:
نقش شما: دستیار مسئول امنیت/کیفیت اطلاعات موسسه مراقبت های بهداشتی. جدول طبقهبندی «چه دادههایی میتواند وارد هوش مصنوعی شود» را برای موسسه ما پیشنویس کنید: قرمز (هرگز: شناسه بیمار، شناسه، پروتکل)، زرد (ناشناس)، سبز (رایگان: عمومی، غیرشخصی). برای هر کلاس مثال و قوانین بنویسید. بیان کنید که این یک پیش نویس است و بخش حقوقی/تطبیق باید آن را تأیید کند.
2) چک لیست ناشناس سازی:
یک چک لیست ناشناس سازی تهیه کنید که قبل از دادن هر گونه داده ای به هوش مصنوعی اجرا خواهم کرد: خروجی نام/TC/پروتکل است، آیا ترکیب ویژگی های نادر (سن+موقعیت+تشخیص نادر) فرد را شناسایی می کند، آیا فضای غیرضروری وجود دارد، آیا این ابزار مورد تایید شرکت است. اجازه دهید هر مورد با بله/خیر علامت گذاری شود.
3) نقشه نقاط تایید انسانی:
برای مناطق زیر استفاده از هوش مصنوعی (گزارش، پیشبینی تقاضا، اولویت تخت، کد صورتحساب، زمانبندی شیفت) جدولی «چه کسی تأیید میکند» تهیه کنید: سطح خطر و مجوز اجباری تأیید انسانی برای هر منطقه. بر نیاز به تایید دوگانه بالینی + اداری در مناطق پرخطر تاکید کنید.
4) الگوی ضبط ردیابی خروجی هوش مصنوعی:
برای پر کردن هر خروجی هوش مصنوعی یک الگوی گزارش دنباله بنویسید: تاریخ، ابزار استفاده شده، کلاس دادههای وارد شده (ناشناس)، خلاصه خروجی، شخصی که تأیید میکند، مدیر تأییدکننده، تصمیم. بیان کنید که این برای حسابرسی و پاسخگویی است.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
داده های بیماران خود را در اختیار هوش مصنوعی قرار دهید و آن ها را تجزیه و تحلیل کنید.
ناشناس سازی، امنیت وسیله نقلیه، بدون تایید و بدون ثبت ردیابی. خطر نقض مستقیم KVKK.
اعلان قدرتمند:
پیش نویس خط مشی حاکمیت هوش مصنوعی برای سازمان ما: (1) طبقه بندی داده ها (قرمز/زرد/سبز)، (2) قوانین ناشناس سازی، (3) امتیاز تایید انسانی برای هر مورد استفاده، (4) ثبت مسیر و حسابرسی، (5) اصول عدالت/شفافیت/پاسخگویی. بیان کنید که این یک پیش نویس است و نیاز به تایید قانونی/انطباق دارد.
عنصر حکمرانی
آنچه فراهم می کند
مثال
طبقه بندی داده ها
تعیین می کند چه چیزی می تواند وارد شود
شناسه = هرگز
ناشناس سازی
از فرد محافظت می کند
نام / ترکیب کمیاب ظاهر می شود
نقاط تایید انسانی
مسئولیت را تعریف می کند
دوبار چک با ریسک بالا
سابقه
قابلیت حسابرسی
منبع + تأیید کننده + تاریخ
اصول اخلاقی
منصفانه، شفاف، پاسخگو
استفاده از امتیاز برای حذف
اشتباهات رایج
- به اشتراک گذاری داده های قابل شناسایی با تصور اینکه "ناشناس" است. ترکیب نادری از صفات انسان را از بین می برد.
- استفاده از ابزار تایید نشده داده ها به یک سرور خارج از سایت می رود.
- مسئولیت را بر دوش هوش مصنوعی گذاشت. "AI گفت" یک دفاع قانونی نیست.
- عدم نگهداری سوابق هنگامی که خطایی وجود دارد، نمی توانید منبع و تأیید را نشان دهید.
- نوشتن سیاست و عدم اجرای آن. قانون روی کاغذ محافظت نمی کند مگر اینکه یک رفلکس باشد.
نکته: خط مشی حاکمیتی خود را با فهرستی از «قوانین طلایی» که در یک صفحه قرار میگیرند و به اندازه کافی ساده هستند تا همه آنها را به خاطر بسپارند، تنظیم کنید: شناسه وارد نکنید، ناشناس نکنید، از وسیله نقلیه تأیید شده استفاده کنید، تأیید کنید، امضای انسانی. هیچ کس سیاست طولانی را نمی خواند. همه قانون پنج را به خاطر دارند.
به طور خلاصه
قدرت عملیاتی هوش مصنوعی تنها تحت یک چارچوب قوی از حریم خصوصی، قانون و اخلاق ایمن است. داده های بهداشتی داده های با کیفیت خاص هستند. ناشناس سازی، کمینه سازی داده ها و ابزار تایید شده ضروری هستند. حکمرانی خوب؛ این طبقه بندی داده ها، ناشناس سازی، نقاط تایید انسانی، ثبت ردیابی و اصول اخلاقی (انصاف، شفافیت، پاسخگویی) را در یک چارچوب واحد ترکیب می کند. این خلاصه یک جمله ای از این ماژول است: هوش مصنوعی شتاب می گیرد، انسان تصمیم می گیرد و مسئولیت را بر عهده می گیرد. یک خروجی AI تأیید نشده به اندازه یک تصمیم مدیریت بدون امضا خطرناک است.
وظیفه کاربردی
با استفاده از الگوهای «سوابق خروجی AI» و «طبقه بندی داده ها» یک پیش نویس خط مشی حاکمیتی یک صفحه ای برای سازمان خود تهیه کنید. یک فهرست «قاعده طلایی» شامل حداقل پنج مورد را بگنجانید. سپس، منطقه استفادهای را که در سراسر ماژول آموختهاید انتخاب کنید (مثلاً اولویت تخت یا کد صورتحساب) و در 5 مورد بنویسید که این خطمشی مراحل تأیید و تأیید را در آن منطقه میخواهد.
چک لیست
- [ ] آیا داده های بهداشتی به عنوان ویژه طبقه بندی می شوند و آیا قوانین ناشناس سازی را اعمال کرده ام؟
- [ ] آیا خطر شناسایی مجدد با ترکیب ویژگی های نادر را بررسی کرده ام؟
- [ ] آیا نقطه تایید انسانی را برای هر مورد استفاده تعریف کرده ام؟
- [ ] آیا برای خروجی های هوش مصنوعی سابقه ای (منبع/تأییدکننده/تاریخ) دارم؟
- [ ] آیا در خط مشی نوشته ام که مسئولیت و تایید نهایی همیشه با شخص است؟
امتحان ماژول
1. یک مدیر بیمارستان مستقیماً توصیه تخصیص تخت ایجاد شده توسط هوش مصنوعی را بدون هیچ گونه ارزیابی بالینی اجرا می کند. اشتباه اساسی در این رویکرد چیست؟
- الف) تبدیل خروجی هوش مصنوعی به یک تصمیم بدون اینکه آن را در معرض مناسب بودن بالینی و تأیید اداری قرار دهیم. نادیده گرفتن اینکه مسئولیت با مردم است ✔
- ب) استفاده از هوش مصنوعی در مدیریت تخت اکیدا ممنوع است
- ج) هوش مصنوعی همیشه تعداد تخت ها را بیشتر از آنچه هست نشان می دهد
- د) پیشنهاد در جدول ارائه نشده است
توضیحات: هوش مصنوعی یک توصیه آماری تولید می کند. با این حال، تخصیص تخت و اولویت ترخیص به وضعیت بالینی بیمار بستگی دارد و تصمیم نهایی به تایید پزشک/پرستار و مدیر مسئول مربوط است. خروجی تایید نشده مانند یک تصمیم بدون امضا است.
2. هنگام وارد کردن داده های بیمار در ابزار هوش مصنوعی در دسترس عموم، کدام یک از موارد زیر مناسب ترین رویکرد است؟
- الف) چسباندن نام بیمار و شماره پروتکل همانطور که برای سرعت است
- ب) اطلاعات شناسایی را حذف کنید و داده ها را ناشناس کنید و در صورت امکان از ابزار شرکتی و قراردادی استفاده کنید ✔
- ج) فقط نام بیمار را مخفی کنید و شماره TR ID را بگذارید
- د) کسب اجازه شفاهی از بیمار قبل از اشتراک گذاری داده ها کافی است.
توضیح: داده های بهداشتی داده های شخصی خاص هستند. اطلاعات هویتی مانند نام، شناسه TR، شماره پروتکل باید حذف شوند، دادهها باید ناشناس باشند و در صورت امکان، ابزارهای قراردادی پردازش دادههای شرکتی ترجیح داده شوند.
3. مناسب ترین استفاده از امتیاز ریسک تولید شده توسط هوش مصنوعی در پیش بینی عدم نمایش چیست؟
- الف) امتناع از گرفتن نوبت برای بیماران پرخطر
- ب) امتیاز را نادیده بگیرید و رویه یکسان را برای همه بیماران اعمال کنید
- ج) برنامه ریزی منصفانه، مداخلات حفظ دسترسی مانند عجله یادآوری و رزرو بیش از حد ✔
- د) قرار دادن دائمی بیماران پرخطر در لیست سیاه
توضیح: امتیاز ریسک یک برآورد احتمال است. باید برای راهنمایی مداخلات منصفانه مانند تراکم یادآوری، رزرو بیش از حد و تسهیل دسترسی استفاده شود، نه رد بیمار. حقوق دسترسی بیمار باید محافظت شود.
4. دلیل اصلی کار با فواصل و سناریوهای اطمینان به جای یک عدد داده شده توسط هوش مصنوعی در پیش بینی تقاضا چیست؟
- الف) ارائه یک بازه، گزارش را طولانی تر نشان می دهد
- ب) زیرا هوش مصنوعی نمی تواند اعداد واحد تولید کند
- ج) زیرا فاصله اطمینان همیشه مقدار واقعی را دقیقاً می دهد
- د) از آنجایی که پیش بینی شامل عدم قطعیت است، لازم است برنامه ریزی منعطف بر اساس سناریوها و مدیریت ریسک ها انجام شود.
توضیح: پیش بینی بر اساس داده های تاریخی است و شامل عدم قطعیت است. برنامه ریزی بر اساس یک محدوده به جای یک نقطه واحد به شما امکان می دهد برای سناریوهای تقاضای کم/بالا آماده باشید و ظرفیت را به طور انعطاف پذیر مدیریت کنید.
5. زمانی که هوش مصنوعی کدهای صورتحساب را در چرخه درآمد پیشنهاد می کند، مهم ترین خطر چیست؟
- الف) هوش مصنوعی یک کد نامعتبر یا نادرست ایجاد می کند، آن را روان پیشنهاد می کند و بدون تأیید در فاکتور وارد می کند.
- ب) هوش مصنوعی کدها را بسیار کند تولید می کند
- ج) پیشنهاد کد همیشه به طور خودکار توسط SGK پذیرفته می شود
- د) کدها فقط به زبان انگلیسی قابل تولید هستند
توضیح: هوش مصنوعی می تواند به روانی کدی را پیشنهاد دهد که در واقع وجود ندارد یا نادرست است (توهم). کدگذاری و صورتحساب تنظیم می شود. هر کد باید توسط یک کارشناس مجاز با لیست تراکنش های معتبر و قوانین بازپرداخت تأیید شود.
6. در داشبورد نشانگر کیفیت، هوش مصنوعی افت ناگهانی شاخص را به عنوان "بهبود" تفسیر می کند. مدیر چه باید بکند؟
- الف) ارائه نظر مستقیم به هیئت مدیره
- ب) بررسی کنید که آیا تغییر ممکن است به دلیل کیفیت داده، تغییر تعریف یا انحراف هدف باشد و بررسی علیت ✔
- ج) نشانگر را از داشبورد خارج کنید
- د) اعتماد به هوش مصنوعی و عدم بررسی
توضیح: تغییر در نشانگر ممکن است ناشی از مشکل کیفیت داده، تغییر تعریف یا بازی باشد. این بر عهده مدیر است که علت و منبع داده نظر را تأیید کند.
7. رایج ترین اشتباه هنگام تحلیل بازخورد متن آزاد رضایت بیمار با هوش مصنوعی چیست؟
- الف) تفکیک متون به مضامین
- ب) بازخورد ناشناس
- ج) تعمیم برچسب و نمونه احساسات خودکار به همه بیماران بدون اعتبار سنجی ✔
- د) اولویت بندی شکایات
توضیح: برچسبگذاری خودکار احساسات میتواند کنایه، نفی و نادرست خواندن متن را معرفی کند. علاوه بر این، فقط نظرات نویسندگان دارای سوگیری نمونهگیری است. تعمیم نباید بدون تایید نتایج با نمونه گیری و خواندن انجام شود.
8. هدف اصلی تحلیل ABC در مدیریت موجودی چیست؟
- الف) مرتب کردن تمام موارد به ترتیب حروف الفبا
- ب) شمارش فقط داروهای حاوی ویتامین A
- ج) از بین بردن محصولات تاریخ مصرف گذشته
- د) طبقه بندی اقلام موجودی بر اساس سطح ارزش / بحرانی و هدایت اولویت کنترل به مهم ترین اقلام ✔
توضیح: تجزیه و تحلیل ABC اقلام موجودی را از نظر ارزش / بحرانی به عنوان A (بالا)، B (متوسط)، C (کم) طبقه بندی می کند. بنابراین، توجه مدیریت و فرکانس کنترل بر روی مهمترین موارد متمرکز شده است.
9. مفهوم "گلوگاه" در بهبود فرآیند به چه معناست؟
- الف) پله با باریکترین ظرفیت و محدود کننده سرعت کل جریان ✔
- ب) سریعترین مرحله در حال اجرا فرآیند
- ج) واحدی که بیشترین پرسنل در آن کار می کنند
- د) مرحله ای که بیماران بیشترین رضایت را دارند
توضیحات: گلوگاه مرحله ای با باریک ترین ظرفیت است که سرعت کل فرآیند را تعیین می کند. تلاش برای بهبود باید ابتدا بر روی گلوگاه متمرکز شود. بهبود در جاهای دیگر جریان کلی را تسریع نمی کند.
10. مدیر قبل از اعمال برنامه زمانبندی تولید شده توسط هوش مصنوعی در نوبت دهی چه مواردی را باید بررسی کند؟
- الف) اینکه نمودار به صورت رنگی چاپ شده باشد یا خیر
- ب) رعایت قانون کار، زمان استراحت، صلاحیت بالینی و قوانین عدالت ✔
- ج) هوش مصنوعی چند ثانیه طول می کشد تا نمودار تولید شود؟
- د) اینکه آیا برنامه به نفع ارشدترین پرسنل است
توضیحات: نمودار; باید با قوانین قانون کار (حداکثر ساعات کار، استراحت)، حقوق کارمند، صلاحیت بالینی و عدالت مطابقت داشته باشد. هوش مصنوعی می تواند پیش نویسی تولید کند که این قوانین را نقض می کند. تایید نهایی با مدیر است.
11. کدام یک از موارد زیر حد صحیح استفاده از هوش مصنوعی در مدیریت مراقبت های بهداشتی را بیان می کند؟
- الف) هوش مصنوعی می تواند تمام تصمیمات مدیریتی را به صورت خودکار اتخاذ کند
- ب) هوش مصنوعی فقط در نوشتن متن قابل استفاده است نه در تحلیل عددی
- ج) هوش مصنوعی ابزار دستیار و پشتیبانی تصمیم است. مسئولیت و تایید نهایی تصمیمات حیاتی بر عهده انسان است ✔
- د) هوش مصنوعی می تواند تصمیمات بازپرداخت را بدون تایید انسان نهایی کند
توضیحات: دستیار هوش مصنوعی، تولید کننده پیش نویس و ابزار پشتیبانی تصمیم. مسئولیت و تایید نهایی تصمیمات موثر بر تخصیص منابع، اولویت بندی بالینی و ایمنی بیمار همیشه بر عهده متخصص ذیصلاح و مدیر مسئول است.
12. چرا کاهش در شاخص میانگین طول اقامت (LOS) به تنهایی شواهد کافی برای "موفقیت" نیست؟
- الف) از آنجایی که مدت اقامت هرگز قابل اندازه گیری نیست
- ب) از آنجایی که مدت اقامت را فقط می توان با هوش مصنوعی محاسبه کرد
- ج) از آنجایی که مدت اقامت به هیچ وجه مربوط به بازپرداخت نیست.
- د) اگر کاهش همراه با افزایش ترخیص و بستری مجدد باشد، ممکن است ایمنی بیمار مختل شود و باید همراه با شاخص های مربوطه تفسیر شود.
توضیح: کاهش زمان اقامت ممکن است نشان دهنده استفاده خوب از منابع باشد. با این حال، اگر با افزایش ترخیص زودهنگام و بستری مجدد همراه باشد، ایمنی بیمار ممکن است مختل شود. شاخص باید همراه با سایر شاخص های مرتبط تفسیر شود.
13. وضعیت پیش بینی تقاضا بر اساس داده های تاریخی در صورت بروز اختلال ناگهانی مانند اپیدمی یا فاجعه چگونه است؟
- الف) پیش بینی دیگر راهنما نیست. قضاوت تخصصی و نظارت در زمان واقعی حرف اول را می زند ✔
- ب) پیشبینی بر اساس دادههای تاریخی در این مواقع قابل اعتمادترین است
- ج) پیش بینی خود به خود اصلاح می شود، نیازی به مداخله نیست
- د) در این موارد باید برنامه ریزی به طور کامل متوقف شود
توضیحات: پیش بینی هوش مصنوعی بر اساس الگوهای گذشته است. در گسستهای ساختاری مانند اپیدمیها، بلایا یا تغییرات قانونی، دادههای گذشته دیگر راهنما نیستند. قضاوت متخصص و نظارت در زمان واقعی حرف اول را می زند.
14. کدام یک از موارد زیر باید در سیاست حاکمیت هوش مصنوعی شرکتی گنجانده شود؟
- الف) ابزار هوش مصنوعی فقط کدام برند خریداری می شود؟
- ب) طبقه بندی داده ها، ناشناس سازی، امتیاز تایید انسانی، سابقه مسئولیت/حسابرسی و اصول اخلاقی ✔
- ج) قاعده ای که فقط مدیران می توانند از هوش مصنوعی استفاده کنند
- د) مقاله ای که به هوش مصنوعی اجازه می دهد همه تصمیمات را به تنهایی اتخاذ کند
توضیحات: حکمرانی صحیح. این تعریف می کند که کدام داده ها می توانند در کدام ابزار قرار گیرند، قوانین ناشناس سازی، نقاط تایید انسانی، سوابق مسئولیت و حسابرسی، اصول اخلاقی (انصاف، شفافیت، پاسخگویی).