A szállításban és logisztikában az AI gyakran nem egy különálló, névvel és tulajdonossal ellátott rendszerben található, hanem magába az üzemi működésbe van beleszövődve: útvonaltervezés, terhelésoptimalizálás, előrejelző karbantartási rendszerek, kereslet-előrejelzés, és azok az algoritmusok, amelyek meghatározzák, melyik sofőr melyik fuvart kapja. Ennek egy része a szállítók, szállítmányozók vagy platformok szoftverein keresztül kerül be, és így olyan döntési szabályokkal működik, amelyeket a saját szervezet nem maga állított be, és amelyeket néha nem is lát teljes egészében. Az arány aközött, amit a tervezési osztály maga szerzett be, és amit lánc-partnerek vagy beépített funkciók révén kap az organizáció, folyamatosan változik. Ez a feltérképezést ebben az ágazatban nem teszi egyszerűbbé, mint másutt, de mássá teszi: a kérdés nem csak az, ki telepített egy AI-eszközt, hanem az is, milyen automatizált döntések voltak már meglévő rendszerekben, mielőtt bárki AI-nak nevezte volna őket.
A jóváhagyott szoftverek áttekintése ritkán mondja el a teljes történetet. Tervezők, akik egy AI-eszközt használnak útvonalak optimalizálására, ügyfélszolgálat, amely chatbotot alkalmaz nyomkövetésre, vagy egy raktári dolgozó, aki egy alkalmazást használ készlet-előrejelzéshez: ez a fajta alkalmazás gyakran lokálisan keletkezik, időnyomás vagy egy konkrét feladat hajtja, anélkül, hogy bárki kérelmet nyújtott volna be. Aki ezt fel akarja térképezni, azoktól kell megkérdeznie, akik a munkát végzik, és ez csak akkor sikerül, ha a kérdésfeltevés nem vezet azonnal korrekcióhoz. Egy szervezetnek, amely a rejtett AI-t (shadow AI) szeretné felderíteni, először azt kell tisztáznia, hogy a bejelentés nem jár kockázattal.
Egy feltérképezés, amely túllép az IT-listán, feltárja, mely AI-alkalmazások vannak valóban használatban, hol találhatók a folyamatban, és ki köt döntéseket hozzájuk. Szállítás és logisztika esetében ez gyakran megkülönböztetést jelent olyan rendszerek között, amelyek kizárólag tanácsot adnak, olyanok között, amelyek automatikusan terveznek beavatkozás nélkül, és olyanok között, amelyek hatással vannak a szervezeten kívüli emberekre, mint például sofőrökre vagy ügyfelekre, akiknek egy előrejelzés alapján szállítási időt jeleznek. Ez a megkülönböztetés releváns, mert ezzel megváltozik a kockázati szint: egy eszköz, amely csak egy javaslatot ad a tervezőnek, más felügyeleti formát igényel, mint egy rendszer, amely önállóan határoz meg beosztásokat vagy útvonalakat.
A feltérképezés után következik a kérdés, hogy pontosan mit tesz az egyes alkalmazás, és kinek. Egy rendszer, amely megjósolja, mikor van szükség karbantartásra, más hatással bír, mint egy rendszer, amely teljesítményadatok alapján meghatározza, melyik sofőr kap egy fuvart. A besorolás itt nem egy fix sablon alkalmazását jelenti, hanem a talált dolgok rendezését: melyik alkalmazás érinti az emberekről szóló döntéseket, melyik érinti csak a logisztikai optimalizálást, és melyik funkcionál tisztán támogató szerepben. Az aktuális szabályozás, amely meghatározza, milyen kötelezettségek tartoznak melyik kockázati szinthez, máshol található; itt az a struktúra a lényeg, amely szükséges ahhoz, hogy ezeket a szabályokat később alkalmazni lehessen, függetlenül attól, mit ír pontosan elő a szöveg.
A szállítási vállalatok általában már dolgoznak biztonsággal, tervezéssel és megfeleléssel kapcsolatos kockázatkezeléssel. Az AI-irányításnak nem kell külön eszköznek lennie ez a meglévő rendszer mellett; jobban működik, ha az AI-alkalmazások besorolása kapcsolódik a már létező kategóriákhoz, így egy vezetőnek vagy kockázatmenedzsernek nem kell két külön áttekintést fenntartania. Ez egy olyan irányítási készletet igényel, amely feltünteti, ki kezel egy alkalmazást, ki felelős érte, és milyen ellenőrzés létezik rá, olyan formában, amely megfelel a már meglévő jelentési és elszámoltathatósági struktúrának.
Egy vezetőnek vagy General Counselnek, akit felkérnek, hogy nyilatkozzon arról, milyen AI-rendszerek aktívak a szervezetben, ezt többel kell alátámasztania, mint egy beszerzési rendszerből származó listával. A bizonyíthatóság azt jelenti, hogy létezik egy aktuális áttekintés az alkalmazásokról, azok besorolásáról és a felügyelet állapotáról, és hogy ez az áttekintés akkor is helytálló marad, ha valaki tovább kérdez. Más ágazatokban is hasonló kérdések merülnek fel, amint az látható az AI-irányításnál a kiskereskedelemben, az AI-irányításnál a mezőgazdasági szektorban és az AI-irányításnál az IKT-szektorban, mindegyiknél saját arányban aközött, amit központilag szereztek be, és amit lokálisan alakult ki.
A Responsible AI Scan, amely ezt a feltérképezést, besorolást és irányítási struktúrát összefogja, jelenleg épül. Aki ezzel szeretne dolgozni, feliratkozhat a várólistára; jelenleg nincs kész, megrendelhető termék, és ezt itt sem állítjuk másként.
Amint tisztázódik, mely AI-alkalmazások működnek a szállítási láncban, és melyik kockázati szint illik hozzájuk, egy következő kérdés merül fel, amelyre a feltérképezés nem ad választ: mennyi abból a munkából, amit tervezők, sofőrök vagy ügyfélszolgálati munkatársak most végeznek, vehető át valóban ezekkel az alkalmazásokkal. Ez a kérdés közel áll az irányításhoz, de nem azonos vele, és arra a FTE TO AI munkafelmérése ad választ, amely feladatonként kiszámítja, a munka mekkora része vehető át AI által.
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.