Kunstig intelligens har givet flere etiske diskussioner end de fleste digitale teknologier. Med rette. Efterhånden, som vi sætter maskiner til at overtage flere og flere beslutninger på vegne af mennesker, fjerner vi også det intuitive ansvar for beslutningerne fra mennesker. Men den går ikke, for teknologi i sig selv kan ikke bære et etisk ansvar. Og selv når virksomheder ejer AI-teknologien, kan det være nødvendigt at føre et ansvar tilbage til en reel person. Nedenfor følger nogle af de vigtige spørgsmål, vi skal stille os selv om kunstig intelligens og etik. Bemærk, at listen ikke er udtømmende. Det kan anbefales at hyre en dygtig foredragsholder kunstig intelligens til at sætte scenen for de interne diskussioner, der bør føres, som i sidste ende skal munde ud i faste principper og praksisser.

Hvilket ansvar har mennesker, når det kommer til AI?

Mennesker har et stort ansvar, når det gælder brugen af AI. Det er altid os, der bær ansvaret for de beslutninger, der træffes af vores AI-systemer. Det betyder, at uanset hvor avanceret teknologien bliver, kan ansvaret for dens handlinger og beslutninger aldrig fralægges os som brugere (og udviklere).

Hvordan sikrer vi, at AI designes etisk?

AI-design skal baseres på solide etiske principper. Det indebærer blandt andet at minimere risikoen for manipulation, herunder ikke mindst gennem antropomorfisering, hvor AI kan fremstå som menneskelig og dermed vildlede brugerne. Etisk design kræver en gennemtænkt tilgang, hvor man tager højde for potentielle utilsigtede konsekvenser.

Hvordan gør vi AI-beslutninger gennemsigtige og forståelige?

Explainability, eller forklarbarhed, som det hedder på dansk, er afgørende for at opbygge tillid til AI-systemer. Beslutninger truffet af AI skal kunne forklares på en måde, der giver mening for mennesker, så vi forstår rationalet bag. Også selvom der er flere datapunkter involveret, end vi kan overskue. Explainability sikrer ikke kun gennemsigtighed, men hjælper os også med at undgå mistillid eller fejlagtige antagelser om AI’s kapacitet og begrænsninger.

Hvordan sikrer vi etisk indsamling og brug af data i træningen af AI-modeller?

Data skal indsamles og anvendes på en etisk måde, hvilket indebærer respekt for ophavsret og privatliv. Alle data, der anvendes, skal være erhvervet gennem retfærdige og gennemsigtige metoder.

Hvordan håndteres bias i AI-systemer?

Bias er en stor udfordring i AI, og det er vigtigt at arbejde aktivt for at identificere og eliminere bias i systemerne. Det er en vedvarende udfordring, da menneskeligt produceret tekst, som er træningsmateriale for AI-modeller, ofte rummer forskellige bias. Både synlige og mindre synlige. Gennem fokuseret opmærksomhed kan vi tilstræbe, at AI-systemer er retfærdige og upartiske, hvilket er væsentligt, hvis vi vil undgå diskrimination eller skævvridning i de resultater, vi får fra AI-systemer.

Hvordan sikrer vi, at AI overholder GDPR og beskytter privatliv?

For at sikre compliance med GDPR er det nødvendigt regelmæssigt at opdatere og revidere software. Dette inkluderer at sætte datasikkerhed og privatliv i højsædet i alle AI-applikationer. Det kan være resursekrævende, men i det omfang, vi ønsker at beskytte brugernes rettigheder og deres personlige oplysninger, er der ikke nogen vej uden om.

Hvad gør vi for at gøre AI bæredygtig?

AI’s miljømæssige påvirkning er en vigtig faktor og en tiltagende diskussion. Nogle vælger at lave politikker for, hvad generativ AI bruges til og hvor der med samme resultat kan anvendes mindre energikrævende teknologier. Eksempelvis kan vi i mange situationer få ligeså gode (eller bedre svar) via almindelig web search som ved at spørge en chatbot. Der er et generelt behov for fokus på området men i praksis ser det ikke ud til at nyde høj prioritet.

Hvordan overvåges overholdelsen af disse etiske principper?

Det er nødvendigt med regelmæssig opmærksomhed og systematisk overvågning, hvis vi ønsker at sikre, at vi lever op til vores etiske principper. Det anbefales at lave en enkel og solid model for, hvordan vi som virksomheder løbende gennemgår vores praksisser og opdaterer dem i takt med de erfaringer, vi gør os – udviklingen går stærkt, og vi er nødt til at udvikle vores principper i takt her med.