Data Privacy, Authentication, Etika at Pamamahala

Mga nadagdag:

• Kakayahang protektahan ang data sa apat na layer (klasipikasyon, anonymization, pagpili ng sasakyan, minimum na data) at tuparin ang responsibilidad ng KVKK
• Kakayahang mag-verify ng mga output ayon sa antas ng panganib at mag-filter ng mga rekomendasyon na nakakaapekto sa mga tao sa pamamagitan ng pagiging patas at pagkiling
• Kakayahang magtatag ng isang simpleng balangkas ng pamamahala ng AI at tiyaking hindi mapapalitan ng output ng AI ang pag-apruba ng eksperto sa mga desisyon sa pananalapi/legal/HR/pagsunod

Bilang isang tagapamahala, natutunan mong gumamit ng AI sa bawat sulok ng iyong negosyo: pag-uulat, KPI, automation, mga operasyon, pagkuha, komunikasyon, buod, senaryo. Ngayon ay nagtatatag kami ng balangkas para sa paggamit ng kapangyarihang ito nang responsable. Dahil kapag ginamit nang mali ang AI, ang bilis at kaginhawahan ay nagiging seryosong panganib: isang leaked na listahan ng customer, isang desisyon na batay sa isang gawa-gawang numero, isang diskriminasyong mungkahi, isang paglabag sa KVKK. Ang yunit na ito ay ang safety net na pinagsasama-sama ang buong module. Ang pangunahing prinsipyo sa isang pangungusap: AI ay isang katulong; Ang pagiging kompidensiyal ng data, ang katumpakan ng output at ang etika ng desisyon ay palaging responsibilidad ng tagapamahala.

Privacy ng data: apat na layer ng proteksyon

Ang data ng negosyo ay mahalaga at karamihan sa mga ito ay kumpidensyal. Protektahan ang privacy sa apat na layer. Unang layer—klasipikasyon: lagyan ng label ang bawat piraso ng data bilang "pampubliko/panloob na paggamit/kumpidensyal/personal." Ang kumpidensyal at personal na data ay nangangailangan ng espesyal na atensyon. Pangalawang layer — anonymization: Isalin ang mga identifier gaya ng pangalan, ID, pangalan ng customer, presyo ng supplier sa mga code bago ibigay ang mga ito sa AI (Employee A, Customer 1). Pangatlong layer — pagpili ng tool: kung maaari, gumamit ng mga tool sa AI na inaprubahan ng kumpanya na hindi nag-iimbak ng data para sa pagsasanay ng modelo; Huwag magbigay ng kumpidensyal na data sa mga libreng tool na magagamit sa publiko. Ikaapat na layer — minimal na data: ibigay ang minimum na data na kailangan para magawa ang trabaho, hindi na.

Kinokontrol ng KVKK (Personal Data Protection Law) ang iyong pagproseso ng personal na data ng empleyado at customer; Ang paglabag ay nagdudulot ng parehong mga legal na parusa at pagkawala ng reputasyon. Ang pag-paste ng listahan ng kliyente o payroll sa isang bukas na chat box ay parang pag-iwan ng naka-lock na file sa kalye.

Babala: "Mukhang ligtas ang tool na ito" ay hindi isang kasiguruhan. Bago magbigay ng anumang data sa AI, itanong: "Ano ang magiging pinsala sa kumpanya kung ang impormasyong ito ay lumabas?" Kung malubha ang pinsala, i-anonymise ang data o huwag itong ilabas. Kung may pagdududa, huwag magbigay.

Pagpapatunay: ang hindi napirmahang output ay hindi isang desisyon

Ang disiplina na inuulit sa buong modyul ay iniipon sa ilalim ng isang bubong dito. I-validate ang bawat output ng AI sa tatlong hakbang: source (ang numero ba ay mula sa data na ibinigay ko?), muling kalkulahin (suriin ang arithmetic), managerial filter (tutugma ba ito sa aking kaalaman at larangan sa industriya?). Maaaring gumawa ang AI ng mga guni-guni — pag-imbento ng mga hindi umiiral na numero, pinagmumulan, o katotohanan na may mapanghikayat na wika. Ang katatasan ay hindi katumpakan. Kung mas mahalaga ang desisyon, dapat mas mahigpit ang pag-verify.

Isaalang-alang ang panganib sa tatlong antas. Mga maihahatid na mababa ang panganib (panloob na balangkas, pag-format, buod): sapat na ang mabilisang pagtingin. Mga maihahatid na katamtamang panganib (ulat sa pamamahala, komento ng KPI): na-validate ang bawat numero. Mga maihahatid na may mataas na peligro (pinansyal na desisyon, kontrata, dokumento sa pagsunod, transaksyon sa HR): Gumagawa lang ang AI ng mga draft; Ang karampatang pagsusuri ng eksperto, legal/pinansyal na kontrol at lagda ay sapilitan. Sa mga lugar na ito, hindi kailanman mapapalitan ng AI output ang karampatang pag-apruba ng eksperto.

Etika at bias: mabilis ngunit patas

Natututo ang AI mula sa makasaysayang data; Kung may dating bias, uulitin o palakasin pa ito ng AI. Ang isang rekomendasyon sa pag-hire, promosyon, o pag-prioritize ng customer ay maaaring hindi sinasadyang makapinsala sa isang grupo. Kaya ilagay ang bawat panukala ng AI na nakakaapekto sa mga tao sa pamamagitan ng filter ng pagiging patas: "Ang panukalang ito ba ay hindi makatarungang nagbubukod ng isang grupo? Ang katwiran ba ay maipagtatanggol?" Tanungin ang AI "aling mga grupo ang maaaring mapinsala ng panukalang ito?" magtanong.

Dalawa pang etikal na prinsipyo: Transparency — Huwag itago ang makabuluhang AI-generated na output; Dapat mong maipaliwanag kung paano ginawa ang desisyon. Pananagutan — "Sinabi ng AI" ay hindi isang dahilan. Ang responsibilidad ay nakasalalay sa tagapamahala gamit ang tool. Kapag nagkamali ang AI, pananagutin mo ang pananagutan; kaya gamitin siya bilang isang supervised assistant, hindi isang bulag na awtoridad.

Pamamahala ng AI: isang institusyonal na balangkas

Ang indibidwal na mabuting kalooban ay hindi sapat; Magtatag ng simpleng AI governance framework para sa negosyo: anong data ang maaaring ibigay sa aling tool, aling mga desisyon ang maaaring suportahan ng AI, na pagmamay-ari lamang ng eksperto, kung paano na-validate ang mga output, kung sino ang may pananagutan. Ang isang nakasulat, simpleng patakaran ay nagpoprotekta sa buong koponan at pinipigilan ang sakuna sa susunod na yunit.

tatlong mini case

Kaso 1 — Pagbabalik mula sa bingit ng pagtagas. Ang isang sales manager ay magpe-paste ng isang listahan na may mga tunay na pangalan ng customer at turnover sa isang libreng AI tool. Sa isang sandali ng pag-aalinlangan, nagtanong siya, "Ano ang mangyayari kung ito ay tumagas?" tanong niya, ini-coding ang mga pangalan ng customer at ginawang tape ang mga turnover. Ang pagsusuri ay lumabas na may parehong kalidad; walang totoong data na lumabas. Ang isang maliit na ugali ay pumigil sa isang malaking panganib sa KVKK.

Case 2 — Ang halaga ng ginawang numero. Isang punong opisyal ng pananalapi ang nagpakita ng "average ng industriya na 23 porsiyento" na bilang na ibinigay ng YZ sa board nang hindi ito bini-verify. Ang numero ay ginawa; Ang AI ay nakakumbinsi na gumawa ng isang numero na walang pinagmulan. Isang kontrobersya sa pamumuhunan batay sa maling numero ang naganap at nagtagal upang baligtarin. Aral: hindi lahat ng numero na nagsasabing nagmula sa labas ay maaaring gamitin nang hindi ito ikinokonekta sa tunay na pinagmulan.

Kaso 3 — Pagkuha ng pinapanigang rekomendasyon. Hiniling ng isang HR manager ang AI na magranggo ng mga kandidato. Ang AI ay i-highlight ang mga nagtapos mula sa isang partikular na paaralan batay sa makasaysayang data. Nagtatanong ang manager "anong mga grupo ang hindi kasama sa panukalang ito?" tanong niya; Nalaman niya na inuulit ng AI ang nakaraang bias. Ibinase lamang niya ang mga ranggo sa may kaugnayan sa trabaho, mapagtatanggol na pamantayan at iniwan ang pinal na desisyon sa komite ng mga tao.

Apat na maaaring kopyahin na mga template

1) Pag-screen sa privacy ng data:

Ang iyong tungkulin: tagapayo sa privacy ng data. Bibigyan kita ng data set sa ilang sandali. Una, ilista ang mga personal/kumpidensyal na field (pangalan, ID, customer, presyo, suweldo) at imungkahi kung paano i-anonymis ang bawat isa sa kanila. Maikling isulat ang mga panganib ng pagbibigay ng data na ito sa AI sa mga tuntunin ng KVKK. Huwag mo pang pag-aralan.

2) Checklist ng pagpapatunay:

Kailangan kong i-verify ang sumusunod na output ng AI bago ito ipakita sa pamamahala. Ilista ang bawat numerical claim at external source claim sa output. Para sa bawat isa, itanong "ang pinagmulan ba ng data na ibinigay ko o ito ba ay impormasyon na maaaring ginawa/ginawa mismo ng AI?" Kolektahin ang mga hindi kilalang pinagmumulan sa ilalim ng heading na 'VERIFY'.

3) Filter ng etika/katarungan:

Ang sumusunod na panukala ng AI ay nakakaapekto sa mga tao: [proposal]. Maaari bang maging bias ang rekomendasyon ng makasaysayang data? Ano ang dapat kong baguhin upang ibase lamang ang desisyon sa nauugnay sa negosyo, mapagtatanggol na pamantayan? Maging tapat, huwag ipagtanggol ang mungkahi.

4) Pag-uuri ng panganib sa paggamit ng AI:

Gagawin ko ang sumusunod na gawain sa AI: [gawain]. Ilagay ito sa antas ng panganib: mababa (internal draft), medium (outgoing sa management), mataas (financial/legal/HR na kinahinatnan). Sabihin sa akin kung anong mga hakbang sa pag-verify at pag-apruba ang kinakailangan batay sa antas ng panganib. Kung ito ay mataas ang panganib, ipaalala na ang pag-apruba ng eksperto ay sapilitan.

Mahinang prompt / Malakas na prompt

Mahinang prompt:

Bigyan mo ako ng pagsusuri sa data ng customer na ito. [tunay na pinangalanang data]

Nagbibigay ng totoong personal na data sa bukas na tool; Dala nito ang panganib ng paglabag at pagtagas ng KVKK. Wala ring planong i-validate ang output.

Napakahusay na prompt:

Ang iyong tungkulin: analyst. Sa data na ibinigay ko sa iyo, lahat ng pangalan ay naka-code (Customer 1-50) at ang mga halaga ay na-convert sa tape. Magsagawa ng pagsusuri ng segment gamit ang hindi kilalang data na ito. Gamitin lamang ang mga numerong ibinigay ko, huwag magdagdag ng mga numero ng panlabas na sektor; Kung idadagdag mo ito, mangyaring sabihin nang malinaw ang pinagmulan upang ma-verify ko ito.

Sukat

mahinang diskarte

Malakas na diskarte

Data

tunay na pangalan

anonymous

Panganib sa KVKK

mataas

mababa

kontrol ng pinagmulan

wala

sapilitan

Pagpapatunay

mababa

mataas

Pananagutan

hindi sigurado

nilinaw

Mga karaniwang pagkakamali

• Pagbibigay ng tunay na kumpidensyal/personal na data sa buksan ang tool. Uriin at i-anonymize muna.
• Hindi pag-verify ng mga claim sa panlabas na pinagmulan. Maaaring gumawa ang AI ng mga numero tulad ng "average ng industriya"; kumonekta sa pinagmulan.
• Hindi pinapansin ang pagtatangi. Maglagay ng mga panukala na nakakaapekto sa mga tao sa pamamagitan ng filter ng pagiging patas.
• Ang "sabi ng AI" na dahilan. Ang responsibilidad ay nakasalalay sa gumagamit; Ipagpalagay ang pananagutan.
• Nilaktawan ang pag-apruba ng eksperto sa desisyong may mataas na peligro. Ang output sa pananalapi/legal/HR/pagsunod ay nangangailangan ng pag-apruba ng eksperto.

Babala: Ang pinakamahalagang pangungusap ng modyul na ito: Ang output ng AI sa mga mahahalagang bahagi tulad ng pagsunod, pananalapi, legal at human resources ay HINDI isang kapalit para sa karampatang pag-apruba ng eksperto. Pinapataas ng AI ang iyong bilis, hindi nito pinapatay ang iyong eksperto. Ang isang hindi na-verify na output ng AI ay kasing peligro ng isang hindi napirmahang desisyon.

Sa buod

Ang responsableng paggamit ng AI ay nakasalalay sa tatlong haligi: privacy, authentication, at etika. Protektahan ang data sa apat na layer (classification, anonymization, tool selection, minimum data) at tandaan ang responsibilidad ng KVKK. I-validate ang bawat output gamit ang source linking, recalculation, at administrative filtering; Dagdagan ang kasipagan batay sa antas ng panganib. Maglagay ng mga panukala na makakaapekto sa mga tao sa pamamagitan ng filter ng pagiging patas at mapanatili ang transparency at pananagutan. Pinoprotektahan ng isang simpleng AI governance framework ang buong team. At palagi: sa mga lugar na may mataas na peligro, kahihinatnan, ang AI ay hindi kapalit ng karampatang pag-apruba ng eksperto.

Gawain ng aplikasyon

Sumulat ng kalahating pahinang draft ng "mga alituntunin sa paggamit ng AI" para sa sarili mong negosyo. Isama ang: anong data ang maaaring ibigay sa kung aling tool, kung paano gagawing anonymised ang data, aling mga output ang dapat patunayan, aling mga desisyon ang pagmamay-ari lamang ng eksperto at kung sino ang responsable. Gamit ang template na "Pag-uuri ng panganib sa paggamit ng AI" sa itaas, ilagay ang 5 gawaing ginawa mo sa AI noong nakaraang linggo sa antas ng panganib at isulat ang tamang hakbang sa pag-verify para sa bawat isa.

checklist

• [ ] Inuri ko ba at ginawang anonymize ang data?
• [ ] Gumamit ba ako ng inaprubahan/secure na tool ng kumpanya at minimum na data?
• [ ] Napatunayan ko ba ang bawat output laban sa antas ng panganib?
• [ ] Na-filter ko ba ang mga panukala na nakakaapekto sa mga tao sa pamamagitan ng pagiging patas?
• [ ] Nangangailangan ba ako ng pag-apruba ng eksperto para sa mga desisyong may mataas na peligro?

Pagsusulit sa Module

1. Anong tanong ang dapat itanong ng isang manager para matukoy ang layer ng trabaho (mekanikal / analytical / desisyon) at higpit ng pag-verify bago mag-outsourcing ng trabaho sa AI?

• A) Ano ang magiging resulta kung mali ang output na ito? ✔
• B) Matatapos ba ng artificial intelligence ang trabahong ito sa lalong madaling panahon?
• C) Libre ba ang tool na ito?
• D) Nagawa na ba ang trabahong ito dati?

Paglalarawan: Ang batayan ng tamang paggamit ay ang pag-uuri ng trabaho ayon sa antas ng panganib. 'Ano ang magiging kahihinatnan kung mali ang output na ito?' Tinutukoy ng tanong kung mekanikal, analytical, o responsableng desisyon ang gawain at samakatuwid kung gaano karaming pag-verify ang kinakailangan.

2. Isang 'industriya average na 23 porsiyento' na figure na ibinigay ng artificial intelligence ay ipinakita sa board of directors nang walang verification at lumalabas na ang figure ay gawa-gawa. Anong pangunahing disiplina ang hindi napapansin sa kasong ito?

• A) Ang panuntunan ng paggamit ng artificial intelligence lamang sa mga oras ng umaga
• B) Ang disiplina sa pag-verify ng output sa pamamagitan ng pagkonekta nito sa pinagmulan ✔
• C) Pag-convert ng ulat sa isang talahanayan ng kulay
• D) Pagsusulat ng mas mahabang prompt

Paliwanag: Ang artificial intelligence kung minsan ay gumagawa ng isang hindi umiiral na numero sa isang nakakumbinsi na wika (hallucination). Ang hakbang ng pagkonekta ng output sa source ay nagsusuri kung ang bawat numero ay nagmula sa isang tunay na pinagmulan o maaaring ginawa. Kapag ito ay tinanggal, may panganib ng mga maling desisyon.

3. Bagama't mukhang stable ang kabuuang turnover sa isang kumpanya ng e-commerce, ipinapakita ng breakdown ng segment na bumaba ng 22 porsiyento ang isang kategoryang may mataas na kita, at tinatakpan ito ng mababang kita na mga benta. Anong prinsipyo ang inilalarawan ng halimbawang ito?

• A) Ang kabuuang bilang ay palaging ang pinaka-maaasahang tagapagpahiwatig
• B) Ang kakayahang kumita ay hindi mahalaga, ang paglilipat lamang ang mahalaga
• C) Ang kabuuang mga numero ay maaaring magtago ng mga pagbaliktad; Ang pagkasira ng segment ay nagpapakita ng katotohanan ✔
• D) Ang pagsusuri ng segment ay may bisa lamang para sa malalaking kumpanya

Paliwanag: Maaaring itago ng kabuuang mga numero ang mga panloob na pagbaliktad. Ang pagtingin sa breakdown (pagsusuri ng segment) kaysa sa kabuuan sa gawaing suporta sa desisyon ay nagpapakita ng katotohanan; Maaaring itago ang malalaking variation sa ilalim ng nakapirming kabuuan.

4. Ang isang cafe manager ay binibigyang-kahulugan ang natuklasan na ang 'weekend sales ay gumagalaw sa temperatura' bilang 'mainit na panahon ay nagpapataas ng mga benta' at tinatanggihan ang air conditioning; Gayunpaman, ang tunay na dahilan ay ang tumaas na trapiko ng customer sa katapusan ng linggo. Ano ang error na ito?

• A) Pagkakamali ng ugnayan para sa sanhi ✔
• B) Hindi nakakakuha ng sapat na data
• C) Pagpili ng maling uri ng tsart
• D) Hindi pag-anonymize ng data

Paliwanag: Kung ang dalawang bagay ay kumikilos nang magkasama (kaugnayan) ay hindi nangangahulugan na ang isa ay nagiging sanhi ng isa pa (sanhi). Ang temperatura at mga benta ay nagkataon na lumipat sa parehong direksyon; Ang karaniwang dahilan ay trapiko sa katapusan ng linggo. Ang mga ugnayang natagpuan ng artificial intelligence ay hindi ebidensya, ngunit mga hypotheses na susuriin.

5. Ano ang nasa tuktok ng istraktura ng 'pyramid' ng isang mahusay na ulat sa pamamahala?

• A) Raw data table
• B) Executive summary ✔
• C) Mga karagdagang dokumento at talababa
• D) Lahat ng mga numero mula sa mga nakaraang taon

Paliwanag: Ang isang magandang ulat ay isang pyramid: sa itaas, ang executive summary (3-5 bullet point) na idinisenyo para maunawaan ng pinaka-abalang mambabasa sa loob ng 30 segundo; kritikal na natuklasan sa ibaba; Sa ibaba ay ang sumusuportang detalye. Kaya, ang nangungunang tagapamahala ay nagbabasa lamang sa itaas, at sinumang mausisa ay bumaba.

6. Kapag ang isang call center ay gumawa ng 'bilang ng mga nasagot na tawag kada araw' bilang isang KPI, ang mga kinatawan ay nagmamadali sa mga tawag at binabawasan ang kasiyahan ng customer. Anong prinsipyo ang inilalarawan ng sitwasyong ito?

• A) Kung mas maraming KPI, mas mahusay ang pamamahala
• B) Hindi magagamit ang mga KPI sa mga call center
• C) Laging nauuna ang bilis bago ang kalidad
• D) Ang isang KPI na maaaring manipulahin ay maaaring humimok ng masamang gawi sa halip na ang kinalabasan na nilayon nitong sukatin ✔

Paliwanag: Kapag ang isang tagapagpahiwatig ay naging isang target, ang mga tao ay naghahanap ng mga paraan upang linlangin ito (Goodhart's Law). Ang 'bilang ng tawag' ay madaling manipulahin at hindi sinusukat ang aktwal na kinalabasan (resolution, kasiyahan). Kaya bago pumili ng isang KPI dapat mong itanong 'anong masamang pag-uugali ang hinihikayat nito?' dapat itanong.

7. Ano ang dahilan ng panuntunang 'simplify the process first, automate later' sa process automation?

• A) Pinapabilis din ng automation ang kabiguan sa isang sirang proseso; Kailangang itama muna ang proseso ✔
• B) Ginagawang imposible ng pagpapasimple ang automation
• C) Ang pagpapasimple ay isang legal na obligasyon lamang
• D) Ang automation ay palaging mas mura kaysa sa pagpapasimple

Paglalarawan: Pinapataas ng automation ang bilis ng proseso; Pinapabilis din nito ang error kung corrupt ang proseso. Kapag ang 5 hindi kinakailangang hakbang na proseso sa isang accounting unit ay automated, ang mga hindi kinakailangang hakbang ay gumana nang mas mabilis. Una ang proseso ay dapat na pinasimple, pagkatapos ay pinabilis.

8. Ano ang layunin ng 'human-in-the-loop' na disenyo sa mga awtomatikong tugon sa customer?

• A) ganap na ihinto ang automation
• B) Pagtaas ng awtoridad sa pagpapasya ng artificial intelligence
• C) Pag-iwas sa error mula sa pagtakas nang may pag-apruba ng tao sa kritikal na punto habang pinapanatili ang karamihan sa bilis ✔
• D) Ganap na pag-aalis ng lakas-paggawa ng tao

Paliwanag: Ang disenyo ng Human-in-the-loop ay isang pag-apruba ng tao sa kritikal na punto ng automated na proseso. Ang AI ay gumagawa ng draft, mabilis na inaprubahan ito ng tao, pagkatapos ay ipinadala ito. Pinipigilan nito ang isang bug na lumabas nang diretso habang pinapanatili ang halos lahat ng bilis; Kapag inalis ng isang team ang pag-apruba na ito, nakarating sa customer ang maling impormasyon.

9. Mabagal ang produksyon sa pagawaan ng muwebles; Nais ng manager na palitan ang pinakamahal na makina (pagputol), ngunit ipinapakita ng pagsusuri na ang bottleneck ay ang hakbang sa pagtitina-pagpatuyo. Ano ang pangunahing prinsipyo ng pagsusuri sa operasyon?

• A) Ang pinakamahal na hakbang ay dapat palaging mapabuti
• B) Ang pagpapabuti ay dapat na naka-target sa bottleneck na nagpapabagal sa buong daloy ✔
• C) Ang lahat ng mga hakbang ay dapat na mapabilis nang pantay
• D) Ang konsepto ng bottleneck ay wasto lamang sa mga linya ng produksyon

Paliwanag: Ang bilis ng isang proseso ay ang bilis ng pinakamabagal na hakbang nito (bottleneck). Ang pagpapabilis ng mga hakbang sa labas ng bottleneck ay isang pag-aaksaya ng pera at pagsisikap; Ang tanging bagay na gumagana ay upang palawakin ang bottleneck. Kapag ang manager ay namuhunan sa isang pangalawang drying oven sa halip na pagpatay, ang bilis ay tumaas ng 28 porsyento.

10. Sa pagbili, ang isang manager ay lumipat sa pinakamurang supplier ng hilaw na materyales ngunit hindi pinapansin ang mahinang pagiging maaasahan ng supplier sa paghahatid; Dalawang pangunahing pagkaantala ang nagpapahinto sa produksyon. Ano ang aral mula sa sitwasyong ito?

• A) Ang pinakamahal na supplier ay dapat palaging piliin
• B) Ang pagiging maaasahan ng paghahatid ay hindi nauugnay
• C) Ang supplier ay hindi dapat suriin sa isang dimensyon (tanging presyo), ngunit sa maraming dimensyon, kabilang ang pagiging maaasahan at panganib ✔
• D) Ang mga desisyon ng supplier ay dapat na ipaubaya lamang sa artificial intelligence

Paglalarawan: Ang pagpili ng supplier ay multidimensional: ang presyo, kalidad, oras ng paghahatid, pagiging maaasahan, katatagan ng pananalapi at panganib ay dapat na sama-samang suriin. Ang pagtingin lamang sa presyo ay maaaring humantong sa pagkalugi nang maraming beses na mas malaki kaysa sa diskwento na nakuha; ang nawalang produksyon ay nabura ang diskwento.

11. Ano ang pinakamagandang gawin ng manager bago magpadala ng galit, malupit na email sa isang team na palaging nahuhuli?

• A) Pagpapadala ng mensahe kung ano ito, dahil ang mga emosyon ay totoo
• B) Ginagawa ang tono na nakatuon sa solusyon gamit ang artipisyal na katalinuhan at pagkatapos ay ipasa ito sa isang filter ng tao ✔
• C) Hindi nagpapadala ng mensahe at binabalewala ang problema
• D) Pagpapalakas ng mensahe

Paliwanag: Ang mga mensaheng isinulat kapag galit ay hindi dapat ipadala kaagad. Ang pagsasabi sa artificial intelligence na 'baguhin ang tono sa isang magalang at solusyon-oriented na tono habang pinapanatili ang parehong mga inaasahan at mga hangganan' pinapanatili ang kakanyahan ng mensahe, itinatama ang tono nito at pinipigilan ang mahirap na mabawi na sama ng loob; Ang output ay pagkatapos ay na-filter ng tao.

12. Isang buod ng pulong ang nagsasabing 'naaprubahan ang pagtaas ng badyet' ng AI; Gayunpaman, sinabi sa pulong na 'the budget increase will be evaluated'. Ano ang tamang paraan upang maiwasan ang panganib na ito?

• A) Ipamahagi kaagad ang buod nang hindi ito binabasa
• B) I-verify ang buod, ihiwalay ang desisyon mula sa posibilidad at kumpirmahin ito ng mga kalahok ✔
• C) Hindi gumagawa ng buod ng pulong sa lahat
• D) Isinasaalang-alang lamang ang pinakamahabang pangungusap bilang isang desisyon

Paglalarawan: Ang AI ay maaaring mag-misattribute ng mga desisyon; Ang pagkakaiba sa pagitan ng 'masusuri' at 'maaprubahan' ay napakahalaga. Ang buod ng pulong ay kadalasang ang 'opisyal na alaala', kaya ang bawat buod ay dapat basahin, iba-iba sa desisyon, at kumpirmahin sa mga kalahok bago ipamahagi.

13. Sa pagpaplano ng senaryo, ano ang layunin ng pagtatatag ng hindi bababa sa tatlong senaryo (optimistic, basic, pessimistic) sa halip na itali ang hinaharap sa iisang hula (halimbawa, 'lalago tayo ng 15 porsiyento')?

• A) Ang artipisyal na katalinuhan ay maaaring hulaan nang tumpak ang hinaharap
• B) Kahit saang direksyon ang katotohanan, huwag mahuli at gawin ang plano sa halip na panic ✔
• C) Mangolekta ng mas kaunting data
• D) Pagpili ng isang solong tamang hinaharap nang maaga

Paliwanag: Ang realidad ay isang pagitan; Kung ang plano batay sa isang hula ay hindi natanto, ito ay babagsak. Ang paghahanda ng mga tugon sa maraming senaryo nang maaga ay nagsisiguro na ang isang plano ay maaaring ilagay sa lugar sa halip na panic, saanman gumagalaw ang katotohanan. Ang layunin ay hindi malaman ang hinaharap, ngunit hindi mahuli na hindi handa.

14. Alin sa mga sumusunod ang totoo tungkol sa paggamit ng artificial intelligence sa pamamahala ng negosyo?

• A) Hindi pinapalitan ng artificial intelligence output ang karampatang pag-apruba ng eksperto sa mga desisyon na may mga kahihinatnan sa pananalapi, legal at HR ✔
• B) Kung tama ang output ng artificial intelligence, hindi na kailangan ng pag-apruba ng eksperto
• C) Ang totoong data ng customer ay maaaring ibigay sa mga bukas na tool hangga't mukhang ligtas ito
• D) 'Sinabi ng AI' ay isang wastong katwiran para sa pananagutan

Pagbubunyag: Ang output ng AI ay hindi kapalit para sa karampatang pag-apruba ng eksperto sa mga kahihinatnan na lugar gaya ng pagsunod, pananalapi, legal at human resources. Ang artificial intelligence ay isang mabilis na pagtaas ng katulong; Ang pagiging kompidensiyal ng data, ang katumpakan ng output at ang etika ng desisyon ay palaging responsibilidad ng tagapamahala. Ang isang hindi na-verify na output ay kasing peligro ng isang hindi napirmahang desisyon.