Integritet och etik

Dataintegritet och etiska frågor är två viktiga delar av riskbedömningen när man utformar en effektiv AI-strategi.

Den första handlar om dataanvändning, hantering och skydd, medan den andra granskar partiska utdata, transparens och ansvarsskyldighet hos AI-lösningar.

Den här övningen är en del av kursen

Artificiell intelligens (AI) – strategi

Visa kurs

Interaktiv övning med praktiskt arbete

Gör teori till handling med en av våra interaktiva övningar

Starta övningen

Den här övningen är en del av kursen

Artificiell intelligens (AI) – strategi

SkillTag.level.beginnerSkillTag.label

4.8+

2089 reviews

Starta kursen gratis

Det här kapitlet belyser de komplexa sambanden mellan affärs-, data- och AI-strategier. Det går sedan djupare in på hur en effektiv AI-strategi börjar med en tydlig vision och vilken roll en fokuserad handlingsplan spelar för att driva en organisations strategiska mål. Du lär dig också vilka färdigheter som krävs för att bli en framgångsrik AI-strateg, inklusive deras ansvarsområden och bidrag till att uppnå affärsmålen.

Exercise 1: Olika typer av strategier Exercise 2: Sätt kursen Exercise 3: Vilken strategi?Exercise 4: Grundpelare i en effektiv AI-strategi Exercise 5: Navigera de strategiska vattnen Exercise 6: Pelarna i en AI-strategi Exercise 7: AI-strategistens roll Exercise 8: Rekrytera en AI-strateg Exercise 9: En framgångsrik AI-strateg

Det här kapitlet skärper affärssinnet genom att skilja AI-programvara från traditionell programvara, vilket säkerställer ett effektivt resursutnyttjande för relevanta affärsutmaningar. Det förklarar också de viktigaste affärsdrivkrafterna för att identifiera de mest betydelsefulla AI-initiativen och hur man sätter rätt AI-mål. Vid sidan av en genomgång av ROI:s betydelse får du förståelse för utmaningarna och drivkrafterna kring att bedöma ROI.

Exercise 1: När bör man överväga AI?Exercise 2: Att anpassa sig till AI-revolutionen Exercise 3: Förstå mjukvaruparadigm Exercise 4: Identifiera centrala affärsdrivkrafter Exercise 5: Grunden för en framgångsrik AI-plan Exercise 6: Lämplighetstест för AI Exercise 7: Identifiera AI-lämpliga scenarier Exercise 8: Sätta realistiska affärsmål Exercise 9: AI-mål genom SMART-linsen Exercise 10: Ett test av tid och ambition Exercise 11: Att bedöma ROI för ett AI-initiativ Exercise 12: AI:s dubbla ROI-sidor Exercise 13: Spåra intäkternas ursprung

Det här kapitlet förklarar olika komponenter i en framgångsrik AI-strategi, till exempel innovation och hur man bygger rätt kultur för högpresterande team. Det betonar också vikten av AI-kompetens och tar upp de viktigaste riktlinjerna för hur AI bör och inte bör användas. Innovation är viktigt, men lika viktigt är det att förstå potentiella AI-risker och ställa rätt frågor – det är grunden för ett robust ramverk för riskbedömning.

Exercise 1: Att bygga en AI-kultur Exercise 2: Varierande AI-satsningar Exercise 3: Utforskning och experimenterande Exercise 4: Att bygga högpresterande AI-team Exercise 5: Hitta luckan Exercise 6: Det viktiga trioen Exercise 7: Att samla in rätt data Exercise 8: Rätt blandning av data Exercise 9: Kvalitet sparar kostnader Exercise 10: Riskbedömning av AI Exercise 11: Integritet och etik

Aktuell övning

Exercise 12: Efterlevnad av regelverk Exercise 13: Regelefterlevnad Exercise 14: AI-projektets livscykel

I det här kapitlet diskuterar vi rollen som genomförbarhetsstudier spelar och betonar vikten av att starta med ett fokuserat PoC för att bedöma AI:s potential innan en fullskalig lansering. Vi lyfter också fram vad som krävs för att bygga skalbara AI-system och vilken betydelse MLOps har för att skala rätt. Avslutningsvis understryker kapitlet hur exekutiva sponsorer och AI-ambassadörer påverkar och främjar AI-adoption.

Exercise 1: Allt börjar med ett PoC Exercise 2: Beslutspunkter för ett AI-baserat diagnostikverktyg Exercise 3: Viktiga aspekter att utvärdera i ett AI-initiativ Exercise 4: Att skala bortom PoC:er Exercise 5: Sortera hinder för AI-skalning Exercise 6: Skala ett AI-system Exercise 7: MLOps Exercise 8: Att navigera MLOps Exercise 9: Sortera arkitekturmetoder Exercise 10: Hinder för adoption Exercise 11: Tilldela roller i AI-omvandlingen Exercise 12: Färdplan för AI-transformation Exercise 13: Dags att sammanfatta!