Faragha ya Data, Uthibitishaji, Maadili na Utawala

Faida:

• Uwezo wa kulinda data katika tabaka nne (uainishaji, kutokujulikana, uteuzi wa gari, data ya chini) na kutimiza jukumu la KVKK.
• Uwezo wa kuthibitisha matokeo kulingana na kiwango cha hatari na mapendekezo ya chujio ambayo yanaathiri watu kupitia haki na upendeleo
• Uwezo wa kuanzisha mfumo rahisi wa utawala wa AI na kuhakikisha kuwa matokeo ya AI haichukui nafasi ya idhini ya mtaalam katika maamuzi ya kifedha / kisheria / HR / kufuata.

Kama meneja, umejifunza kutumia AI katika kila kona ya biashara yako: kuripoti, KPI, otomatiki, shughuli, ununuzi, mawasiliano, muhtasari, hali. Sasa tunaanzisha mfumo wa kutumia nguvu hizi kwa kuwajibika. Kwa sababu wakati AI inatumiwa vibaya, kasi na urahisi hugeuka kuwa hatari kubwa: orodha ya wateja iliyovuja, uamuzi kulingana na nambari ya maandishi, pendekezo la kibaguzi, ukiukaji wa KVKK. Kitengo hiki ni wavu usalama ambao hushikilia moduli nzima pamoja. Kanuni kuu katika sentensi moja: AI ni msaidizi; Usiri wa data, usahihi wa matokeo na maadili ya uamuzi daima ni wajibu wa meneja.

Faragha ya data: safu nne za ulinzi

Data ya biashara ni muhimu na nyingi ni siri. Linda faragha katika tabaka nne. Safu ya kwanza—uainishaji: weka kila kipande cha data lebo kama “matumizi ya umma/ya ndani/siri/ya kibinafsi.” Data ya siri na ya kibinafsi inahitaji uangalifu maalum. Safu ya pili - kutokutambulisha: Tafsiri vitambulishi kama vile jina, kitambulisho, jina la mteja, bei ya mtoa huduma katika misimbo kabla ya kuwapa AI (Mfanyakazi A, Mteja 1). Safu ya tatu - uteuzi wa zana: ikiwezekana, tumia zana za AI za ushirika zilizoidhinishwa na kampuni ambazo hazihifadhi data kwa mafunzo ya mfano; Usitoe data ya siri kwa zana zinazopatikana kwa umma bila malipo. Safu ya nne - data ndogo: toa data ya chini inayohitajika kufanya kazi, hakuna zaidi.

KVKK (Sheria ya Ulinzi wa Data ya Kibinafsi) inadhibiti usindikaji wako wa data ya kibinafsi ya mfanyakazi na mteja; Ukiukaji huleta vikwazo vya kisheria na kupoteza sifa. Kubandika orodha ya wateja au mishahara kwenye kisanduku cha gumzo kilicho wazi ni kama kuacha faili iliyofungwa barabarani.

Tahadhari: "Zana hii inaonekana salama" sio hakikisho. Kabla ya kutoa data yoyote kwa AI, uliza: "Je, itakuwa na madhara gani kwa kampuni ikiwa habari hii itavuja?" Ikiwa uharibifu ni mkubwa, ficha data au usiitoe kabisa. Ikiwa una shaka, usipe.

Uthibitishaji: matokeo ambayo hayajatiwa saini sio uamuzi

Nidhamu inayorudiwa katika moduli yote imekusanywa chini ya paa moja hapa. Thibitisha kila pato la AI katika hatua tatu: chanzo (ni nambari kutoka kwa data niliyotoa?), Kokotoa upya (angalia hesabu), kichujio cha usimamizi (kinalingana na maarifa na sehemu yangu ya tasnia?). AI inaweza kutoa maonesho — kubuni nambari, vyanzo au ukweli ambao haupo kwa lugha ya kushawishi. Ufasaha sio usahihi. Uamuzi muhimu zaidi, uthibitishaji lazima uwe mkali zaidi.

Fikiria hatari katika viwango vitatu. Uwasilishaji wa hatari ndogo (muhtasari wa ndani, uumbizaji, muhtasari): mwonekano wa haraka unatosha. Uwasilishaji wa hatari ya wastani (ripoti kwa usimamizi, maoni ya KPI): kila nambari imethibitishwa. Uwasilishaji wa hatari kubwa (uamuzi wa kifedha, mkataba, hati ya kufuata, shughuli za HR): AI hutoa rasimu tu; Uhakiki wa wataalam wenye uwezo, udhibiti wa kisheria/fedha na sahihi ni lazima. Katika maeneo haya, matokeo ya AI hayawezi kamwe kuchukua nafasi ya idhini ya mtaalam mwenye uwezo.

Maadili na upendeleo: haraka lakini haki

AI hujifunza kutoka kwa data ya kihistoria; Ikiwa kuna upendeleo uliopita, AI itarudia au hata kuimarisha. Pendekezo la kuajiriwa, kukuza, au kuweka vipaumbele kwa wateja linaweza kudhoofisha kikundi bila kukusudia. Kwa hivyo weka kila pendekezo la AI ambalo linaathiri wanadamu kupitia chujio cha haki: "Je, pendekezo hili linatenga kikundi isivyo haki? Je, kuhesabiwa haki kunatetewa?" Uliza AI kwa uwazi "ni vikundi gani vinaweza kunyimwa fursa na pendekezo hili?" uliza.

Kanuni mbili zaidi za kimaadili: Uwazi - Usifiche pato muhimu linalotokana na AI; Unapaswa kuwa na uwezo wa kueleza jinsi uamuzi ulivyofanywa. Uwajibikaji - "AI ilisema hivyo" sio kisingizio. Wajibu ni wa meneja kutumia chombo. Wakati AI inapokosea, unawajibisha; kwa hiyo mtumie kama msaidizi anayesimamiwa, si mamlaka ya kipofu.

Utawala wa AI: mfumo wa kitaasisi

Nia njema ya mtu binafsi haitoshi; Anzisha mfumo rahisi wa utawala wa AI kwa biashara: ni data gani inaweza kutolewa kwa chombo gani, ni maamuzi gani yanaweza kuungwa mkono na AI, ambayo ni ya mtaalam tu, jinsi matokeo yanavyothibitishwa, ni nani anayehusika. Sera iliyoandikwa, rahisi hulinda timu nzima na kuzuia maafa kwenye kitengo kinachofuata.

kesi tatu ndogo

Kesi ya 1 - Kurudi kutoka kwenye ukingo wa kuvuja. Msimamizi wa mauzo angebandika orodha iliyo na majina halisi ya wateja na mauzo kwenye zana ya bure ya AI. Katika muda wa kusitasita, aliuliza, "Ni nini kitatokea ikiwa hii itavuja?" Aliuliza, akiandika majina ya wateja na kubadilisha mauzo kuwa mkanda. Uchambuzi ulitoka na ubora uleule; hakuna data halisi iliyotoka. Tabia ndogo ilizuia hatari kubwa ya KVKK.

Kesi ya 2 - Gharama ya nambari iliyotengenezwa. Afisa mkuu wa fedha aliwasilisha "wastani wa sekta ya asilimia 23" iliyotolewa na YZ kwa bodi bila kuithibitisha. Nambari iliundwa; AI ilikuwa imetoa nambari ambayo haikuwa na chanzo. Mzozo wa uwekezaji kulingana na takwimu mbaya ulitokea na ikachukua muda kutengua. Somo: sio kila nambari inayodai kutoka nje inaweza kutumika bila kuiunganisha na chanzo halisi.

Kesi ya 3 - Kupata pendekezo la upendeleo. Meneja wa HR aliuliza AI kupanga wagombea. AI itaangazia wahitimu kutoka shule fulani kulingana na data ya kihistoria. Meneja anauliza "pendekezo hili halijumuishi makundi gani?" aliuliza; Aligundua kuwa AI inarudia upendeleo wa zamani. Alizingatia viwango hivyo tu kwa vigezo vinavyohusiana na kazi, vinavyoweza kutetewa na kuacha uamuzi wa mwisho kwa kamati ya watu.

Violezo vinne vinavyoweza kunakiliwa

1) Uchunguzi wa faragha wa data:

Jukumu lako: mshauri wa faragha wa data. Nitakupa seti ya data baada ya muda mfupi. Kwanza, orodhesha sehemu za kibinafsi/siri (jina, kitambulisho, mteja, bei, mshahara) na upendekeze jinsi ya kuficha kila moja yao. Andika kwa ufupi hatari za kutoa data hii kwa AI kulingana na KVKK. Usichanganue bado.

2) Orodha hakiki ya uthibitishaji:

Ninahitaji kuthibitisha matokeo ya AI ifuatayo kabla ya kuiwasilisha kwa usimamizi. Orodhesha kila dai la nambari na dai la chanzo cha nje katika matokeo. Kwa kila moja, uliza "ni chanzo cha data niliyotoa au ni habari ambayo AI inaweza kuwa imetengeneza/ilijitengeneza yenyewe?" Kusanya zile zilizo na vyanzo visivyojulikana chini ya kichwa cha 'THIBITISHA'.

3) Kichujio cha maadili/haki:

Pendekezo lifuatalo la AI linaathiri watu: [pendekezo]. Je, pendekezo hili linaweza kutatiza isivyo haki? Je, pendekezo hilo linaweza kuegemea upande wa data ya kihistoria? Je, nibadilishe nini ili kuweka uamuzi kulingana na vigezo vinavyoweza kutetewa tu vinavyohusiana na biashara? Kuwa mkweli, usitetee pendekezo.

4) AI hutumia uainishaji wa hatari:

Nitafanya kazi ifuatayo na AI: [task]. Iweke katika kiwango cha hatari: chini (rasimu ya ndani), kati (inayotoka kwa usimamizi), juu (matokeo ya kifedha/kisheria/HR). Niambie ni hatua gani za uthibitishaji na uidhinishaji zinahitajika kulingana na kiwango cha hatari. Ikiwa ni hatari kubwa, kumbuka kuwa idhini ya mtaalam ni ya lazima.

Mwongozo dhaifu / Mwongozo thabiti

Agizo dhaifu:

Nipe uchambuzi na data hii ya mteja. [data yenye jina halisi]

Hutoa data halisi ya kibinafsi kwa chombo wazi; Inabeba hatari ya ukiukaji wa KVKK na kuvuja. Pia hakuna mpango wa kuhalalisha pato.

Agizo lenye nguvu:

Jukumu lako: mchambuzi. Katika data niliyokupa, majina yote yameandikwa (Mteja 1-50) na kiasi hubadilishwa kuwa mkanda. Fanya uchambuzi wa sehemu kwa data hii isiyojulikana. Tumia tu nambari nilizotoa, usiongeze nambari za sekta ya nje; Ukiiongeza, tafadhali eleza chanzo kwa uwazi ili niweze kukithibitisha.

Ukubwa

mbinu mbaya

Mbinu kali

Data

jina halisi

bila kujulikana

Hatari ya KVKK

juu

chini

udhibiti wa chanzo

Hakuna

lazima

Uthibitisho

chini

juu

Wajibu

kutokuwa na uhakika

alifafanua

Makosa ya kawaida

• Kutoa data halisi ya siri/ya kibinafsi ili kufungua zana. Ainisha na usijulishe kwanza.
• Kutothibitisha madai ya chanzo cha nje. AI inaweza kuunda nambari kama "wastani wa tasnia"; kuunganisha kwa chanzo.
• Kupuuza ubaguzi. Weka mapendekezo ambayo yanaathiri watu kupitia chujio cha haki.
• Udhuru wa "AI walisema hivyo". Wajibu ni wa mtumiaji; Chukulia uwajibikaji.
• Kuruka idhini ya mtaalam juu ya uamuzi wa hatari kubwa. Matokeo ya kifedha/kisheria/HR/kutii yanahitaji uidhinishaji wa kitaalamu.

Tahadhari: Sentensi muhimu zaidi ya moduli hii: Matokeo ya AI katika maeneo muhimu kama vile utiifu, fedha, sheria na rasilimali watu SI kibadala cha uidhinishaji stadi wa mtaalamu. AI huongeza kasi yako, haitoi mtaalam wako. Utoaji wa AI ambao haujathibitishwa ni hatari kama uamuzi ambao haujasainiwa.

Kwa muhtasari

Matumizi yanayowajibika ya AI hutegemea nguzo tatu: faragha, uthibitishaji, na maadili. Linda data katika tabaka nne (uainishaji, kutokutambulisha, uteuzi wa zana, data ya chini) na ukumbuke wajibu wa KVKK. Thibitisha kila pato kwa kuunganisha chanzo, ukokotoaji upya na uchujaji wa kiutawala; Kuongeza bidii kulingana na kiwango cha hatari. Weka mapendekezo ambayo huathiri watu kupitia chujio cha haki na kudumisha uwazi na uwajibikaji. Mfumo rahisi wa utawala wa AI hulinda timu nzima. Na kila mara: katika maeneo hatarishi, yenye matokeo, AI haiwezi kuchukua nafasi ya idhini ya mtaalam mwenye uwezo.

Jukumu la maombi

Andika rasimu ya nusu ukurasa ya "miongozo ya matumizi ya AI" kwa biashara yako mwenyewe. Jumuisha: ni data gani inayoweza kutolewa kwa zana gani, jinsi data itafichuliwa, ni matokeo gani yanapaswa kuthibitishwa, ni maamuzi gani ni ya mtaalam pekee na ni nani anayewajibika. Kwa kutumia kiolezo cha "AI kutumia uainishaji wa hatari" hapo juu, weka kazi 5 ulizofanya na AI katika wiki iliyopita kwenye kiwango cha hatari na uandike hatua sahihi ya uthibitishaji kwa kila moja.

orodha ya ukaguzi

• [ ] Je, nimeainisha na kutokutambulisha data?
• [ ] Je, nilitumia zana iliyoidhinishwa/salama ya kampuni na kiwango cha chini cha data?
• [ ] Je, nimethibitisha kila pato dhidi ya kiwango cha hatari?
• [ ] Je, nimechuja mapendekezo ambayo yanaathiri watu kwa njia ya haki?
• [ ] Je, nimehitaji idhini ya mtaalamu kwa maamuzi hatarishi?

Mtihani wa Moduli

1. Ni swali gani ambalo meneja anapaswa kuuliza ili kuamua safu ya kazi (mitambo / uchambuzi / uamuzi) na ukali wa uthibitishaji kabla ya kutoa kazi kwa AI?

• A) Je, matokeo yatakuwa nini ikiwa matokeo haya si sahihi? ✔
• B) Je, akili ya bandia inaweza kumaliza kazi hii haraka iwezekanavyo?
• C) Je, chombo hiki ni bure?
• D) Je, kazi hii imewahi kufanywa hapo awali?

Maelezo: Msingi wa matumizi sahihi ni kuainisha kazi kulingana na kiwango cha hatari. 'Kutakuwa na matokeo gani ikiwa matokeo haya si sahihi?' Swali huamua ikiwa kazi ni ya kiufundi, ya uchambuzi, au uamuzi wa kuwajibika na kwa hivyo ni kiasi gani cha uthibitishaji kinachohitajika.

2. 'Wastani wa sekta ya asilimia 23' unaotolewa na akili bandia huwasilishwa kwa bodi ya wakurugenzi bila kuthibitishwa na kubainika kuwa takwimu hiyo ni ya uzushi. Ni nidhamu gani ya kimsingi iliyopuuzwa katika kesi hii?

• A) Sheria ya kutumia akili ya bandia tu katika masaa ya asubuhi
• B) Taaluma ya kuthibitisha matokeo kwa kuiunganisha na chanzo ✔
• C) Kubadilisha ripoti kwa jedwali la rangi
• D) Kuandika haraka haraka

Ufafanuzi: Akili Bandia wakati mwingine hutoa nambari ambayo haipo katika lugha ya kusadikisha (hallucination). Hatua ya kuunganisha pato kwa chanzo hukagua ikiwa kila nambari inatoka kwa chanzo halisi au inaweza kuwa imeundwa. Hii inapoachwa, kuna hatari ya kufanya maamuzi yasiyo sahihi.

3. Ingawa mauzo ya jumla katika kampuni ya e-commerce yanaonekana kuwa thabiti, uchanganuzi wa sehemu unaonyesha kuwa kitengo cha faida kubwa kilipungua kwa asilimia 22, na mauzo ya faida ya chini huficha hii. Mfano huu unaonyesha kanuni gani?

• A) Jumla ya nambari daima ni kiashirio cha kuaminika zaidi
• B) Faida sio muhimu, ni mauzo tu ni muhimu
• C) Jumla ya nambari zinaweza kuficha mabadiliko; uchanganuzi wa sehemu hufunua ukweli ✔
• D) Uchambuzi wa sehemu ni halali kwa kampuni kubwa pekee

Maelezo: Jumla ya nambari zinaweza kuficha mabadiliko ya ndani. Kuangalia uchanganuzi (uchambuzi wa sehemu) badala ya jumla katika kazi ya usaidizi wa uamuzi inaonyesha ukweli; Tofauti kubwa zinaweza kufichwa chini ya jumla isiyobadilika.

4. Msimamizi wa mkahawa anafasiri matokeo kwamba 'mauzo ya wikendi yanaendana na halijoto' kama 'hali ya joto huongeza mauzo' na kukataa kiyoyozi; Walakini, sababu halisi ilikuwa kuongezeka kwa trafiki ya wateja mwishoni mwa wiki. Hitilafu gani hii?

• A) Kukosea kwa uwiano wa sababu ✔
• B) Kutokusanya data za kutosha
• C) Kuchagua aina isiyo sahihi ya chati
• D) Kutoficha utambulisho wa data

Ufafanuzi: Kwa sababu tu vitu viwili hutenda pamoja (uwiano) haimaanishi kwamba kimoja husababisha kingine (sababu). Joto na mauzo yalihamia kwa njia sawa; Sababu ya kawaida ilikuwa trafiki ya wikendi. Mahusiano yanayopatikana na akili ya bandia sio ushahidi, lakini dhana za kupimwa.

5. Ni nini kilicho juu ya muundo wa 'piramidi' wa ripoti nzuri ya usimamizi?

• A) Jedwali la data ghafi
• B) Muhtasari wa kiutendaji ✔
• C) Nyaraka za ziada na maelezo ya chini
• D) Takwimu zote za miaka iliyopita

Maelezo: Ripoti nzuri ni piramidi: juu, muhtasari wa utendaji (pointi 3-5 za risasi) iliyoundwa kwa msomaji mwenye shughuli nyingi kuelewa katika sekunde 30; matokeo muhimu hapa chini; Chini ni maelezo ya kusaidia. Kwa hivyo, meneja wa juu anasoma juu tu, na mtu yeyote anayetamani anashuka.

6. Kituo cha simu kinapofanya 'idadi ya simu zinazojibiwa kwa siku' kuwa KPI, wawakilishi huharakisha simu na kupunguza kuridhika kwa wateja. Hali hii inaonyesha kanuni gani?

• A) Kadiri KPI zinavyoongezeka, ndivyo usimamizi unavyokuwa bora
• B) KPI haziwezi kutumika katika vituo vya simu
• C) Kasi daima huja kabla ya ubora
• D) KPI inayoweza kubadilishwa inaweza kuhimiza tabia mbaya badala ya matokeo ambayo inakusudiwa kupima ✔

Maelezo: Wakati kiashirio kinapolengwa, watu hutafuta njia za kukidanganya (Sheria ya Goodhart). 'Idadi ya simu' inabadilishwa kwa urahisi na haipimi matokeo halisi (azimio, kuridhika). Kwa hivyo kabla ya kuchagua KPI unapaswa kuuliza 'inahimiza tabia gani mbaya?' inapaswa kuulizwa.

7. Je, ni sababu gani ya kanuni ya 'kurahisisha mchakato kwanza, iotomatishe baadaye' katika mchakato otomatiki?

• A) Automation pia huharakisha kushindwa katika mchakato uliovunjika; Mchakato lazima urekebishwe kwanza ✔
• B) Kurahisisha hufanya otomatiki kutowezekana
• C) Kurahisisha ni wajibu wa kisheria tu
• D) Automation daima ni nafuu kuliko kurahisisha

Maelezo: Automation huongeza kasi ya mchakato; Pia huharakisha hitilafu ikiwa mchakato umeharibika. Wakati mchakato wa hatua 5 usiohitajika katika kitengo cha uhasibu ulijiendesha, hatua zisizohitajika zilifanya kazi kwa kasi zaidi. Kwanza mchakato unapaswa kurahisishwa, kisha uharakishwe.

8. Je, madhumuni ya muundo wa 'binadamu ndani ya kitanzi' ni nini katika majibu ya kiotomatiki kwa mteja?

• A) Kusimamisha otomatiki kabisa
• B) Kuongeza mamlaka ya uamuzi wa akili ya bandia
• C) Kuzuia hitilafu kutoroka kwa idhini ya kibinadamu katika hatua muhimu huku ukidumisha kasi nyingi ✔
• D) Kuondoa kabisa nguvu kazi ya binadamu

Ufafanuzi: Muundo wa mwanadamu ndani ya kitanzi ni idhini ya mwanadamu katika hatua muhimu ya mchakato wa kiotomatiki. AI hutengeneza rasimu, mwanadamu huidhinisha haraka, kisha hutumwa. Hii huzuia mdudu kutoka nje moja kwa moja huku akihifadhi kasi nyingi; Timu ilipoondoa idhini hii, taarifa zisizo sahihi zilimfikia mteja.

9. Uzalishaji ni polepole katika warsha ya samani; Meneja anataka kuchukua nafasi ya mashine ya gharama kubwa zaidi (kukata), lakini uchambuzi unaonyesha kuwa kizuizi ni hatua ya kukausha rangi. Kanuni ya msingi ya uchanganuzi wa shughuli ni ipi?

• A) Hatua ya gharama kubwa inapaswa kuboreshwa kila wakati
• B) Uboreshaji unapaswa kulengwa kwenye kizuizi kinachopunguza kasi ya mtiririko mzima ✔
• C) Hatua zote zinapaswa kuharakishwa kwa usawa
• D) Dhana ya kizuizi ni halali tu kwenye mistari ya uzalishaji

Ufafanuzi: Kasi ya mchakato ni kasi ya hatua yake ya polepole zaidi (bottleneck). Kuharakisha hatua nje ya kizuizi ni kupoteza pesa na juhudi; Kitu pekee kinachofanya kazi ni kupanua kizuizi. Wakati meneja aliwekeza kwenye tanuri ya pili ya kukausha badala ya kuchinja, kasi iliongezeka kwa asilimia 28.

10. Katika ununuzi, meneja hubadilisha hadi kwa msambazaji wa malighafi ya bei nafuu lakini anapuuza utegemezi duni wa utoaji wa msambazaji; Ucheleweshaji mkubwa mbili ni kusimamisha uzalishaji. Je, ni somo gani kutokana na hali hii?

• A) Mtoa huduma wa gharama kubwa zaidi anapaswa kuchaguliwa kila wakati
• B) Kuegemea kwa utoaji sio muhimu
• C) Mtoa huduma hapaswi kutathminiwa kwa kipimo kimoja (bei pekee), lakini katika vipimo vingi, ikiwa ni pamoja na kutegemewa na hatari ✔
• D) Maamuzi ya wasambazaji yanapaswa kuachwa tu kwa akili ya bandia

Maelezo: Uchaguzi wa mtoa huduma ni wa pande nyingi: bei, ubora, wakati wa kuwasilisha, kutegemewa, uthabiti wa kifedha na hatari lazima itathminiwe pamoja. Kuangalia tu bei kunaweza kusababisha hasara mara nyingi zaidi kuliko punguzo lililopatikana; uzalishaji uliopotea ulifuta punguzo.

11. Ni jambo gani bora kwa meneja kufanya kabla ya kutuma barua pepe yenye hasira na kali kwa timu ambayo huchelewa kila mara?

• A) Kutuma ujumbe kama ulivyo, kwa sababu hisia ni za kweli
• B) Kufanya utatuzi wa toni uelekezwe kwa akili ya bandia na kisha kuupitisha kupitia kichungi cha binadamu ✔
• C) Kutotuma ujumbe kabisa na kupuuza tatizo
• D) Kufanya ujumbe kuwa na nguvu zaidi

Maelezo: Ujumbe unaoandikwa ukiwa na hasira haupaswi kutumwa mara moja. Kuambia akili ya bandia 'badilisha toni hadi toni ya heshima na yenye mwelekeo wa suluhisho huku ukidumisha matarajio na mipaka sawa' huhifadhi kiini cha ujumbe, kurekebisha sauti yake na kuzuia chuki ambazo ni ngumu kurejesha; Pato basi linachujwa na binadamu.

12. Muhtasari wa mkutano unasema AI 'ongezeko la bajeti limeidhinishwa'; Hata hivyo, ilisemekana katika mkutano huo kuwa 'ongezeko la bajeti litatathminiwa'. Je, ni njia gani sahihi ya kuepuka hatari hii?

• A) Sambaza muhtasari mara moja bila kuusoma
• B) Thibitisha muhtasari, tenganisha uamuzi na uwezekano na uthibitishe na washiriki ✔
• C) Kutofanya muhtasari wa mkutano hata kidogo
• D) Kuzingatia tu sentensi ndefu zaidi kama uamuzi

Maelezo: AI inaweza kupotosha maamuzi; Tofauti kati ya 'kutathminiwa' na 'kuidhinishwa' ni muhimu. Muhtasari wa mkutano mara nyingi ni 'kumbukumbu rasmi', kwa hivyo kila muhtasari unapaswa kusomwa, kutofautishwa na uamuzi, na kuthibitishwa na washiriki kabla ya kusambazwa.

13. Katika upangaji wa matukio, ni nini madhumuni ya kuanzisha angalau matukio matatu (ya matumaini, ya msingi, ya kukata tamaa) badala ya kuunganisha siku zijazo na utabiri mmoja (kwa mfano, 'tutakua kwa asilimia 15')?

• A) Akili ya Bandia inaweza kutabiri siku zijazo kwa usahihi
• B) Haijalishi ukweli una mwelekeo gani, usishindwe na kuchukua hatua badala ya kuogopa ✔
• C) Kusanya data kidogo
• D) Kuchagua siku zijazo moja sahihi mapema

Maelezo: Ukweli ni muda; Ikiwa mpango kulingana na nadhani moja haujatekelezwa, itaanguka. Kutayarisha majibu kwa hali nyingi mapema huhakikisha kwamba mpango unaweza kuwekwa badala ya hofu, bila kujali ni njia gani ukweli unasonga. Kusudi sio kujua siku zijazo, lakini kutokamatwa bila kujiandaa.

14. Ni ipi kati ya zifuatazo ni kweli kuhusu matumizi ya akili bandia katika usimamizi wa biashara?

• A) Taarifa za kijasusi za Bandia hazichukui nafasi ya idhini ya mtaalam mwenye uwezo katika maamuzi ambayo yana matokeo ya kifedha, kisheria na HR ✔
• B) Ikiwa pato la akili ya bandia ni sahihi, hakuna haja ya idhini ya mtaalam
• C) Data halisi ya mteja inaweza kutolewa ili kufungua zana mradi tu ionekane salama
• D) 'AI ilisema hivyo' ni uhalali halali wa uwajibikaji

Ufichuzi: Matokeo ya AI si mbadala wa idhini ya mtaalam mwenye uwezo katika maeneo muhimu kama vile kufuata, fedha, sheria na rasilimali watu. Akili ya bandia ni msaidizi wa kuongeza kasi; Usiri wa data, usahihi wa matokeo na maadili ya uamuzi daima ni wajibu wa meneja. Matokeo ambayo hayajathibitishwa ni hatari kama uamuzi ambao haujasainiwa.