随着人工智能（AI）的应用日益广泛、影响力不断增强，符合伦理的人工智能开发方式已成为必不可少的要求；
企业可能难以确定构建具有包容性、责任感和伦理性的人工智能所需的具体行动；
围绕数据、人工智能模型和部署后阶段的这些行动，可以打造更具包容性的人工智能。
随着人工智能的伦理影响日益渗透到我们的日常生活和社会之中，关于负责任人工智能（AI）的讨论正日趋热烈。人工智能正在影响着关乎人生的重大决策，例如抵押贷款、医疗保健、假释等领域。因此，符合伦理的人工智能开发方式不仅仅是锦上添花，而是一项必需的要求。
从理论上讲，企业希望开发出具有包容性、责任感和伦理性的人工智能，既能服务于客户，也能维护品牌声誉；但在实践中，它们往往难以把握其中的具体要求。
要构建具有包容性的人工智能，需要在整个开发过程中彻底转变思路。这意味着要审慎权衡构建过程中每一项关键决策的全部影响。至少，围绕数据、人工智能模型（即代表规则、数值以及完成特定任务预测所需的其他算法特定数据结构的程序）等方面的策略，以及其他各方面，都需要进行全面革新。
实现包容性的行动计划
构建人工智能解决方案的人员有责任确保其人工智能具有包容性，并为社会带来净正面效益。为此，在人工智能生命周期中需要采取以下几个关键步骤：
1. 数据： 在数据阶段，机构需要为其机器学习模型收集、清洗、标注和验证数据。在人工智能生命周期的这一阶段，最有机会融入包容性方法，因为数据是模型的基础。以下是需要考虑的两个因素：
数据多样性： 数据多样性指的是数据集的覆盖范围有多广。它是否涵盖了所有潜在的应用场景，包括那些不太常见的场景？它是否代表了所有终端用户以及他们可能与模型互动的方式？覆盖范围不足是企业在构建更具包容性的人工智能时失败的主要原因之一。在人工智能生命周期中，这一步骤需要最审慎的考量。
数据治理： 数据治理需要以包容性的视角来看待。应制定有关数据管理的指导方针和政策，以确保：训练数据具有最高质量和覆盖范围，并支持企业的伦理目标。
没有具有代表性的数据，就不可能打造具有包容性的产品。在项目中，应将大部分时间用于确保数据的准确性，或与能够保证数据代表模型所服务群体的外部数据提供商合作。
2. 模型：虽然其重要性可能不及数据环节，但在模型构建过程中，仍有一些关键机会可以融入包容性实践。
模型治理： 模型开发的治理框架是指确保模型以合乎伦理的方式使用，并优先考虑正确指标的政策。如果你将模型优化为85%的时间内准确，那么其余15%的情况又意味着什么？如果对终端用户造成的负面影响严重到足以构成伦理失败，那么就需要重新审视你的优先事项。治理计划还将明确哪些项目应当部署（哪些不应部署）。
在大规模测试中纳入多样化的终端用户群体： 你并不总能预见终端用户将如何与你的技术互动。为避免意外情况的发生，应在测试初期就纳入大量具有代表性的终端用户群体。这可能帮助你发现模型性能方面的不足或新的应用场景，而如果等到模型已投入生产后才发现这些问题，则可能会造成困扰。
围绕正确的目标制定策略并切实实现（例如，衡量偏见的关键绩效指标），将在很大程度上助力你打造负责任的最终产品。
3. 部署后： 一些团队认为，模型部署之后工作基本就完成了，但事实恰恰相反：这仅仅是模型生命周期的开始。模型需要持续的大量维护和再训练，才能保持在同一性能水平，而这不能被视为事后考虑：在某些应用场景下，性能下降可能带来严重的伦理影响。应将以下最佳实践纳入部署后的基础设施之中：
持续监测与再训练： 指定专门团队在部署后监测模型。定期提出以下问题：模型是否按预期运行？它对每个用户群体的表现是否一致？它是否保持了其性能？如果对上述任何问题的回答为否，则应当使用新数据对模型进行再训练。
建立开放的反馈回路： 你需要始终清楚地了解用户如何体验你的技术。如果不建立收集反馈的机制，你未必能全面或及时地洞察问题。应建立用于收集用户反馈的基础设施，最重要的是，对任何被证实有效的反馈立即采取行动。
以上内容并非精确的蓝图，而是为组织将包容性人工智能从理论探讨转化为行动计划提供一个起点。如果你以包容性的视角来开发人工智能，那么在整个开发生命周期中，你很可能会发现许多额外的步骤需要采取。这是一项关乎使命的重要工作：要让人工智能良好运作，就必须让它为所有人良好运作。
