A mezőgazdasági szektornak olyan felépítése van, amilyennel kevés más szektor rendelkezik: egy egyéni gazdaság, egy szövetkezet vagy értékesítő szervezet, egy gép- of magbeszállító, és gyakran egy feldolgozó of kiskereskedő, aki követelményeket állít fel azzal kapcsolatban, mi történik a gazdaságban. Az AI-alkalmazások nem csak belülről érkeznek. Nagy részük harmadik felek berendezéseivel, szenzoraival vagy szoftvereivel együtt kerül a gazdaságba. Aki felelős a governance-ért, annak tehát nem csak azt kell megnéznie, mit szerez be a saját vállalat, hanem azt is, mi érkezik be gépeken, tanácsadói szolgáltatásokon és láncbeli partnereken keresztül. Ez az arány — saját döntések a mellékelt rendszerekkel szemben — nagyobb, mint azokban a szektorokban, ahol az IT-t központilag szerzik be.
A mezőgazdasági szektorban az AI-t sokféle feladatra alkalmazzák: képfelismerés a növényértékelésnél, hozam- vagy betegségnyomás-előrejelzés, takarmány- és klímarendszerek irányítása, valamint támogatási kérelmek vagy láncbeli jelentések adminisztratív feldolgozása. Ezen alkalmazások némelyike szilárdan be van építve a gépekbe, és alig választható el a hardvertől. Mások önálló eszközök, amelyeket egy termesztési tanácsadó, beszerző vagy üzemvezető maga kezdett használni, gyakran anélkül, hogy ez bárhol rögzítve lett volna. A governance-nek tehát két típusú AI-t kell átláthatóvá tennie: a technikával együtt érkező rendszereket, és azokat a rendszereket, amelyeket az emberek maguk kezdtek el használni.
Sok mezőgazdasági vállalatnál és szövetkezetnél nincs központi IT-osztály, amely minden szoftvert kezel. Gépek, tanácsadói szolgáltatások és adateszközök beszerzése gyakran vállalatrészenként vagy személyenként történik. Ez azt jelenti, hogy egy leltár, amely csak az IT-nél vagy a beszerzésnél kezdődik, jelentős részét elmulasztja annak, amit valójában használnak. Egy termesztési tanácsadó, aki AI-eszközt használ betegségtünetek felismerésére, vagy egy tervező, aki chatbotot kér tanácsot logisztikai döntésekhez, ezt gyakran saját kezdeményezésből teszi. Ahhoz, hogy ebbe belátást nyerjünk, több szükséges, mint egy lista lekérése: kérdéseket kell feltenni azoknak, akik a munkát végzik, olyan módon, amely nem érződik ellenőrzésnek. Hogyan működik ez a gyakorlatban, arról a hogyan előzheti meg, hogy munkatársak olyan eszközt használjanak, amelyet senki nem hagyott jóvá című oldal ír. Egy másik kockázat, amely ebben a szektorban gyakran együtt jár az AI-használattal, a bizalmas vállalati adatok, mint hozamszámok vagy szerződési feltételek, megosztása egy nyilvános chatablakban; ennek kezeléséről a hogyan előzheti meg, hogy vállalati adatok egy ingyenes chatablakban kössenek ki című oldal szól.
Egy AI-alkalmazás, amely egy növényt betegségre értékel, más hatással jár, mint egy eszköz, amely egy e-mailt fogalmaz meg egy beszállítónak. Az első egy olyan operatív döntést befolyásol, amelynek pénzügyi és néha élelmiszer-biztonsági következményei lehetnek; a második csupán adminisztratív támogatás. A governance ebben a szektorban olyan osztályozást igényel, amely megkülönbözteti azokat a rendszereket, amelyek állatokkal, növényekkel vagy biztonsággal kapcsolatos döntéseket érintenek, azoktól, amelyek csak szöveget vagy tervezést támogatnak. Ez a felosztás határozza meg, milyen szintű felügyelet és dokumentáció szükséges, és hogy egy alkalmazás szigorúbb szabályok alá tartozik-e. A pontos szabálytartalom és a kapcsolódó határidők nem ezen az oldalon szerepelnek; azokat máshol tartják nyilván. Itt a mechanizmusról van szó: tudni, mi működik, tudni, milyen szerepet tölt be, és ezt igazolhatóvá tenni.
A mezőgazdasági szektor osztja más szektorokkal azt, hogy az AI egyéni használat révén terjed, nem központi döntés révén. Ez a mintázat abban is megmutatkozik, ahogyan az ICT-szektor kezeli az AI-governance-t, ahol az önálló fejlesztőeszközök éppen olyan gyorsan terjednek, mint a gazdaságban a tanácsadói eszközök. A különbség a fizikai berendezésektől és a láncbeli követelményektől való függésben rejlik: míg a pénzügyi szolgáltatási szektor főként szoftverben lévő modellekkel foglalkozik, és az energiaszektor hálózatok és berendezések irányításával, a mezőgazdasági szektor mindkettőt kombinálja: gépekbe beépített AI-t és önállóan, adminisztrációra vagy tanácsadásra használt AI-t. A governance-nek tehát ki kell terjednie mind a gép beszállítójára, mind a felhasználóra a munka helyén.
Egy vezetőnek vagy szövetkezeti vezetőségnek, amelynek számot kell adnia az AI-használatról, valamire szüksége van, amire építhet: egy nyilvántartott leltárra, egy alkalmazott osztályozásra, és egy áttekintésre arról, ki melyik alkalmazást használja és mire. Ez az áttekintés nélkül minden AI-használatról tett kijelentés csak becslés. Egy olyan governance-készlettel, amely illeszkedik a vállalat vagy szövetkezet meglévő kockázati struktúrájához, ez a jelentés folyamatos nyilvántartás kérdésévé válik, nem pedig utólagos rekonstrukcióvá.
Amint tisztázódik, milyen AI-alkalmazások léteznek és milyen szerepet töltenek be, természetesen egy másik kérdés is felmerül: a most még kézzel végzett munka melyik része venné át valójában az AI. Az FTE TO AI munkafelmérése ezt feladatonként kiszámítja, a munka valós tartalma alapján, és megmutatja, mely részei alkalmasak automatizálásra.
Vraag maar. Governance begint bij weten wat er draait — ook wat niemand heeft goedgekeurd.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.