Vooroordelen elimineren voor eerlijke algoritmen II

Zoals we vorige keer besproken hebben is het belangrijk dat de algoritmen van data-driven tools die ingezet worden om zakelijke en maatschappelijke beslissingen te nemen onbevooroordeeld en nauwkeurig zijn. Het creëren van een eerlijkheid cultuur en het bieden van ethische training aan de betrokken techneuten zijn twee stappen die genomen kunnen worden om de algoritmen te verbeteren en vooroordelen te elimineren. Daarnaast kunnen we op het gebied van beleid en techniek stappen nemen. Daarover vandaag meer.

Vooroordelen elimineren voor eerlijke algoritmen

Data-driven tools worden steeds belangrijker bij het maken van onder meer zakelijke en maatschappelijke beslissingen. Om tot eerlijke beslissingen te komen is het nodig dat de algoritmen onbevooroordeeld en nauwkeurig zijn. Helaas blijkt dat algoritmen niet (altijd) betere voorspellingen doen en minder bevooroordeeld zijn dan de mens. Gelukkig kunnen we stappen nemen om algoritmen te verbeteren en vooroordelen te elimineren.

Optimaliseer data-driven bedrijfsprocessen

Steeds meer bedrijfsprocessen worden gedreven door data. Toch moeten data-driven activiteiten zorgvuldig worden uitgevoerd. Als de data daadwerkelijk de realiteit weerspiegelt en op de juiste manier wordt ingezet, kan het de efficiëntie en effectiviteit van vele bedrijfsprocessen flink verhogen. Echter, verkeerde interpretaties en toepassingen kunnen tot nutteloze of zelfs desastreuze resultaten leiden. De volgende drie punten kunnen je helpen om data-driven bedrijfsprocessen te optimaliseren.

Ontwikkel een business model voor IoT

De digitalisering van machines, voertuigen en andere fysieke elementen is een waardevolle ontwikkeling. IoT heeft al significante invloed in het bedrijfsleven. Maar het vangen van het volledige potentieel van IoT applicaties zal, naast innovatie en investeringen in nieuw technisch talent en technische vaardigheden, nieuwe business modellen vereisen.

Veiliger verkeer door video- en gedragsanalyse

Data kan een belangrijke rol spelen in het verbeteren van de verkeersveiligheid. Zoals vorige week besproken zijn er verschillende data-driven methoden ontwikkeld die bijdragen aan de doelstellingen van het Vision Zero initiatief; een initiatief met het doel om doden en ernstige verwondingen als gevolg van verkeersongevallen te elimineren. Het model DataKind draagt bij door de hoeveelheid voertuigen op straten te schatten en aan de hand daarvan de verkeersplanning te verbeteren. Maar er zijn nog andere methoden die bijdragen aan het Vision Zero initiatief.