你说人工智能是以人类为中心的，或者至少应该是这样的，我们应该承认你对人类本身的工作方式有很多的洞察力。

人们所做的一切应该对人类和社会产生积极的影响。我们需要考虑将被人工智能影响的人和将使用它的人。患者是可能受到人工智能影响的人，而医务人员是将会使用它的人。

公司一直面临的最大挑战是，他们已经开始了这些人工智能或数据科学计划，但没有一个与实际业务价值相联系的真正战略。作为技术专家，我们经常想，我们已经建立了多少个人工智能模型？它们有多好？

第一个问题是，我们没有把它与真正的业务和对组织重要的真正指标联系起来。

第二个问题是，他们没有考虑到人类。人类是一个事后的想法。这个人工智能模型将如何与作为人类的我们互动？我们将如何展示它？它将如何被使用？我们试图为人类解决的真正问题是什么？

第三个问题是，信任也常常是事后才想到的，因为我们往往在为时已晚的情况下才会考虑如何以值得信赖和负责任的方式实施，并向人类解释。

最后，安全性、稳健性、问责制和消费者保护往往没有在前期进行研究。在早期做这些工作，首先要对人类有一个了解，并有这种以人为本的方法，我谈到了建立人工智能，你实际上与人们坐下来，了解他们需要解决的问题，你如何能解决这些问题，以及你将如何实施这些。那么，我们将使用什么界面来使用人工智能使某人的生活变得更好？

所以，在开始一个项目之前，要对客户进行教育并与他们交谈。

通常情况下，领导者听到流行语就想开始使用它们，五年前，它叫深度学习。我交谈过的每个客户都想使用深度学习。那是解决某些问题的伟大技术。但大多数问题更容易解决。让我们保持简单！最简单的解决方案总是最好的解决方案。重要的是不要只追求闪亮的东西，而是要使用正确的工具来解决正确的问题。因此，这是我们作为领导者可以做到的，以获得更好的结果。

现在人工智能在某种程度上被看作是科学的性感版本，也许这就是为什么这么多人被它所吸引，而实际上对它没有太多了解？

其实并不是，那些成功实施人工智能的公司已经为他们自己和他们的股东创造了很多价值，并使与他们互动的人类的生活变得更好。而且很多其他公司都看到了这一点。但他们并没有采取有条不紊的方法来开发这些人工智能系统。

企业领导人所关心的是，这将如何帮助他们实现其业务目标。它将如何赚钱、省钱或增加他们的NPS分数？这就是他们关心的全部。因此，我们开始用这些术语来衡量我们的计划，我们能够实际地分配一个美元价值：这是我们作为一个公司赚了多少钱。这是我们节省了多少钱，这是我们的NPS增加了多少，你也可以把它与你赚了多少钱或省了多少钱联系起来，因为它影响到客户的保留和满意度。

围绕人工智能的最主要的神话是在负责任的人工智能方面，是我们需要消除所有的偏见，期间。我们永远不会消除所有的偏见，我们也不应该这样做。我们应该做的很像欧盟在监管方面采取的方法：理解结果。

我们正试图了解人类，以及我们需要控制的偏见或不平等现象。人工智能永远不会消除所有偏见；应该消除的偏见是那些与人工智能帮助做出的决定有关的偏见。

人们认为人工智能是魔术。你只是创建了这些团队，你告诉他们去为你赚钱或省钱，然后它就会发生。但它不是魔术。它需要直接与你的业务战略联系起来。它需要直接与关键绩效指标挂钩，即企业向其股东承诺的结果。

另一个相关的事情是，我们经常认为人工智能是有偏见的。这只是数学和计算机科学。数学本身并没有本质上的偏见。发生的情况是，数学正在从人类过去做出的错误决定中学习偏见。

因此，如果数学本身没有偏见，它只是捡起了我们在全世界传播的偏见。我们有一个选择。我们可以允许这种情况发生，允许人工智能加速和传播我们作为人类所做的那些偏见和错误决定，或者我们可以使用人工智能来帮助我们做出更好、更公平和更有包容性的决定，因为我们可以监测和控制这些事情，并帮助人类向其他人类提出一个比他们自己会做出的决定更少偏见的决定板。

在过去的3到5年里，科学家们已经开发出了监测数据的算法，即所谓的受保护阶层的特定偏见。他们监测数据，算法的输出，这些受保护阶层。创建阈值，例如，对于这个抵押贷款决定，获得抵押贷款的男性和女性之间的平衡需要在45%的女性、55%的男性或55%的女性、45%的男性之间。如果它偏离了这一点，这个模型就不能投入生产。它不能用于决策。

要适当对模型进行调整。有这些东西叫做超参数，把它们想象成旋钮。你正在调整你的收音机上的均衡器，以获得你想要的声音。你在调整模型的性能，使你得到最好的性能，最好的商业结果，同时尽量减少你不希望看到的偏差。这就是它的工作方式。我们使用AI来监控我们的模型。