تبیین نقش معیارهای عملکردی و حاکمیتی در تعیین ارزش شرکت با رویکرد مبتنی بر هوش مصنوعی چیست ؟
تبیین نقش معیارهای عملکردی و حاکمیتی در تعیین ارزش شرکت با رویکرد مبتنی بر هوش مصنوعی چیست ؟
تبیین نقش معیارهای عملکردی و حاکمیتی در تعیین ارزش شرکت با رویکرد مبتنی بر هوش مصنوعی چیست ؟
چکیده
این مقاله تأثیر پیشرفت مداوم و سازگاری هوش مصنوعی بر عملکرد حاکمیت شرکتی را بررسی می کند. برای ارزیابی مطلوبیت ، امکان سنجی و مسئولیت خودکار تصمیم گیری در سطح هیئت مدیره برای اطمینان از حاکمیت شرکتی موثر ، سه لنز برای حاکمیت مصنوعی اعمال می شود – تجارت ، فناوری و جامعه بر اساس ارزیابی پتانسیل و محدودیت های یادگیری انسان و ماشین برای تصمیم گیری موثر در سطح هیئت مدیره ، این مقاله پنج سناریوی حکمرانی مصنوعی را پیشنهاد می کند ، یعنی هوش کمکی ، تقویت شده ، تقویت شده ، خودمختار و اتوپوئتیک ، که احتمالاً شکل دهنده اداره سازمانها امروز ، فردا و فراتر از آن. این درباره پیامدهای هر دو حکومت از و حاکمیتبا هوش مصنوعی در سه افق و در پایان با درخواست اعضای هیئت مدیره برای داشتن نقشی فعال در درک ، تصور و شکل گیری آینده حکمرانی مصنوعی خاتمه می یابد.
مقدمه
اگرچه هوش مصنوعی (AI) اکنون در راس بسیاری از رهبران تجارت (Davenport و Ronanki 2018 ) قرار دارد ، این اصطلاح جدیدی نیست – در اصل در دهه 19050 ساخته شد (راسل و نورویگ 2016 ). از آنجایی که مقاله “مدیر و مورون” پیتر دراکر پیش بینی کرده است ، اهمیت آن برای مدیریت و حاکمیت شرکتی نادیده گرفته شده است (دراکر 1967 ، ص 49): “رایانه تصمیم نمی گیرد ، فقط دستورات را اجرا می کند. این یک حقه باز است. “
چگونه زمان تغییر کرده است. هوش مصنوعی در حال حاضر به طور گسترده ای “فناوری هدف کلی” در نظر گرفته شده است (مانتاس 2019 ، ص. 42) ، توسط بسیاری حتی به عنوان “فن آوری راه حل عمومی” ، یعنی راه حل هر گونه مشکل مدیریتی ، تجاری یا حتی اجتماعی ، تلقی می شود. آنچه در وضعیت سرخوشی فعلی هنوز کمتر مورد توجه قرار می گیرد ، تأثیر AI بر مفهوم شرکت و خود حاکمیت آن است (Libert et al. 2017 ). هدف این مقاله از بین بردن این شکاف با ارائه یک چارچوب سناریو برای ارزیابی تأثیر هوش مصنوعی در عملکرد حاکمیت شرکتی است.
برای هدف این مقاله ، ما حاکمیت شرکتی را به عنوان “سیستمی که توسط آن شرکتها هدایت و کنترل می شوند” تعریف می کنیم (Cadbuy 1992 ، ص 15). این سیستم را می توان به عنوان ترکیبی از “مالکیت ، هیئت مدیره ، مشوق ها ، قانون شرکت و سایر سازوکارها” تعریف کرد (Thomsen 2008 ، p. 15). ما هوش مصنوعی (AI) را “فعالیتی که به هوشمند سازی ماشین آلات اختصاص داده می شود ، تعریف می کنیم و هوش آن کیفیتی است که موجودیت را قادر می سازد تا عملکرد مناسب و با آینده نگری در محیط خود داشته باشد” (Nilsson 2010 ، p. 13). از این رو، ما باید در این مقاله در مورد تاثیر تمرکز ماشین های هوشمند بر فعالیت تصمیم – ساخت توسط واحد از هیئت مدیره(BoD) مربوط به کنترل و جهت دهی شرکت می باشد.
با توجه به ماهیت چند وجهی حاکمیت شرکتی ، ما یک چشم انداز یکپارچه را با ترکیب تجارت ، یعنی تعریف قلمرو مطلوبیت و فن آوری ، یعنی تعریف قلمرو امکان سنجی ، با چشم اندازهای قانونی و اخلاقی پیشنهاد می کنیم. در راستای دیدگاه نهاد نوین که ملاحظات اخلاقی سرانجام به قوانین الزام آور قانونی تبدیل می شوند (اسکات 1995 ) ، ما دو مورد اخیر را در یک دیدگاه ادغام می کنیم که حوزه مسئولیت را مشخص می کند .
قلمرو مطلوبیت: چشم انداز تجارت
برای درک بهتر سهم بالقوه هوش مصنوعی در تصمیم گیری هیات مدیره ، باید آناتومی این روند را بهتر درک کنیم. برای این منظور ، ابتدا باید وظایف اصلی و تصمیمات نمونه هیئت مدیره شرکت ها را تعریف کنیم. در گام دوم ، ما با توجه به نقش محوری پیش بینی ها در هوش مصنوعی ، میزان پیش بینی آن تصمیمات را توصیف خواهیم کرد (Agrawal و همکاران 2018 ).
تعریف طبقه بندی تصمیمات هیئت مدیره
اگرچه قوانین ملی از نظر نقش و مسئولیت های تعیین شده به مدیران متفاوت است ، Cossin and Metayer ( 2014 ) سه نقش اصلی هیئت مدیره را در تمام حوزه های قضایی مشخص می کند: ناظر ، خالق مشترک و حامی ، بدین وسیله دیدگاه دوگانه سنتی جهت و کنترل را گسترش می دهد . ما تعریف نقش خود را بر اساس Cossin and Metayer ( 2014 ) قرار خواهیم داد و آنها را به شرح زیر برچسب گذاری می کنیم:
- جهت دهی مشترک هیئت مدیره مسئول رهبری استراتژیک ، توسعه استراتژی شرکتی همراه با تیم مدیریت عالی (TMT) و اطمینان از اجرای صحیح استراتژی با تعیین اهداف است.
- کنترل یکی دیگر از مسئولیت های اصلی هیئت مدیره کنترل TMT و اطمینان از انطباق کامل با قانون ، کدهای حسابداری و قوانین قانونی شرکت ، به ویژه در رابطه با امور مالی شرکت و مدیریت ریسک است.
- مربیگری هیئت مدیره همچنین مسئول تعیین و مربیگری TMT برای اطمینان از رهبری موثر است.
همانطور که ما بر تأثیر هوش مصنوعی در تصمیم گیری هیئت مدیره متمرکز هستیم ، باید انواع اصلی تصمیم را که هیئت مدیره با آنها سروکار دارد شناسایی کنیم (کارهای غیرروتین دیگری مانند مدیریت بحران یا ارتباطات وجود دارد که ما برای هدف این مقاله نادیده می گیریم ):
- شرکت جهت یک تصمیم در مورد نوآوری؛ (ب) تصمیم در مورد همکاری ؛ (ج) تصمیم در مورد بهینه سازی ؛ (د) تصمیم در مورد تحول ؛ (ه) تصمیم در مورد تنوع / تمرکز ؛ (و) تصمیم در مورد بین المللی شدن.
- کنترل (الف) تصمیم گیری در مورد دستاوردهای هدف ؛ (ب) تصمیم در مورد رعایت استانداردهای حسابداری ؛ ج) تصمیم در مورد انطباق قانونی ؛ (د) تصمیم در مورد انطباق اخلاقی.
- مربیگری (الف) تصمیم در انتصابات اجرایی ؛ (ب) تصمیم در مورد توسعه اجرایی ؛ ج) تصمیم در مورد غرامت اجرایی ؛ (د) تصمیم در مورد ترکیب هیئت مدیره.
برای تعیین اینکه کدام یک از تصمیمات بیشتر از رانندگی توسط هوش مصنوعی سود می برند ، شناخت ویژگی ذاتی تصمیم گیری مهم است. تصمیم گیری همیشه مربوط به انتخاب آگاهانه دو یا چند گزینه است. گزینه ها می توانند باینری باشند ، به عنوان مثال بله یا خیر ، یا چند وجهی ، به عنوان مثال گزینه های 1 ، 2 و 3. انتخاب همیشه به معیارهای انتخاب شده بستگی دارد. یک تصمیم آگاهانه معمولاً از الگوی مشابهی که توسط Still و همکاران ترسیم شده است پیروی می کند. ( 1958 ) آنها بین سه مرحله ، یعنی مفهوم سازی ، اطلاعات و پیش بینی تفاوت قائل می شوند (شکل 1 ). ما این طبقه بندی را اعمال می کنیم و یک سطح دوم اضافه می کنیم تا فرایندهای فرعی را حتی بیشتر از هم متمایز کنیم (برای ساده سازی ، حلقه بازخورد تصمیم را که معمولاً در این مرحله با تصمیم گیری همراه است ، در نظر نمی گیریم).
- سنجش تصمیم گیری در ابتدای هر تصمیم گیری نیاز به تغییر یا اعتبار سیر عمل و تصمیم گیری است. این نیاز به توانایی خاصی برای درک متن دارد.
- چارچوب تصمیم گیری مفهوم سازی یک تصمیم کلیدی برای اطمینان از توافق همه طرف های درگیر و درک صحیح از نتایج است.
- جمع آوری اطلاعات اطلاعات م aلفه اصلی هر تصمیمی است. جمع آوری اطلاعات مربوطه از اهمیت اساسی برخوردار است و نیاز به تجربه دارد.
- انتخاب اطلاعات به همان اندازه جمع آوری اطلاعات مهم است ، انتخاب اطلاعات مربوطه مورد نیاز برای نتیجه گیری نیز مهم است.
- شناسایی گزینه همانطور که تصمیم گیری در مورد گزینه هاست ، ابتدا باید نتایج احتمالی را پیش بینی کرد.
- ارزیابی گزینه تصمیم نهایی در مقایسه با ارزیابی گزینه های جایگزین به ارزیابی گزینه بستگی دارد.
عکس. 1
(اقتباس از Still و همکاران 1958 )
پیشنهاد سطح قابل پیش بینی تصمیمات هیئت مدیره
به منظور ارزیابی اینکه آیا استفاده از هوش مصنوعی در تصمیم گیری های تجاری مطلوب است ، ما پیشنهاد می کنیم طبقه بندی انواع تصمیمات مختلف را طبق استیسی ( 1992 ) اعمال کنیم که بین چهار نوع تصمیم بسته به درجه اطمینان و توافق تمایز قائل می شود (شکل). 2 ):
- تصمیمات مشترکپاورقی1 برخی تصمیمات کاملاً ساده در نظر گرفته می شوند زیرا نتیجه قطعی است و همه تصمیم گیرندگان کاملاً با هم توافق دارند.
- تصمیمات پیچیده نوع دوم تصمیم در یک زمینه چند گزینه ای قرار می گیرد ، که معمولاً به دیدگاه های مختلفی نیاز دارد.
- تصمیمات پیچیده این نوع تصمیمات در زمینه ای اتخاذ می شوند که کاملاً نامشخص است یا منجر به اختلاف نظر قابل توجهی می شود.
- تصمیمات هرج و مرج به هر حال تصمیماتی وجود دارد که باید در یک محیط کاملا سیال اتخاذ شود ، که طبیعتاً به دیدگاه های مختلف منجر می شود.
شکل 2
(اقتباس از استیسی 1992 )
چگونه می توان از این منطق برای تصمیم گیری در سطح هیئت مدیره استفاده کرد؟ جدول زیر خلاصه ای از تصمیمات رایج ، پیچیده ، پیچیده و آشفته از منظر حاکمیت را نشان می دهد
ما دیده ایم که تصمیمات هیئت مدیره هنگام اطمینان و توافق از ماهیت متنوعی برخوردار است. چگونه می توان از هوش مصنوعی برای تسهیل یا حتی تصمیم گیری هیئت مدیره استفاده کرد؟
قلمرو امکان سنجی: چشم انداز فناوری
به منظور درک بهتر سهم بالقوه هوش مصنوعی در تصمیم گیری در سطح هیئت مدیره ، رمزگشایی جعبه سیاه هوش مصنوعی و بحث در مورد انواع مختلف و تکامل آن (نیلسون 2010 ) و همچنین مزایا و کاستی های آن در مقایسه با انسان ضروری است. هوش
درک رویکردهای مختلف هوش مصنوعی
همانطور که در بالا توضیح داده شد هوش مصنوعی یک فناوری در ساخت است. اگرچه در حال حاضر شاهد پیشرفتهای مهمی در هوش مصنوعی هستیم ، این اولین نیست و آخرین موج توسعه نخواهد بود. بنابراین مهم است که از منظر دینامیکی به هوش مصنوعی نگاه کنیم ، یعنی “مسیر AI” را در نظر بگیریم (Armour and Eidenmueller 2019 ). همانطور که Tegmark ( 2017 ) یادداشت می کند ، ما در حال حاضر در مرحله اولیه توسعه AI هستیم.
در بالاترین سطح ، می توان بین سیستم های مبتنی بر قاعده و یادگیری ماشین (ML) تفاوت قائل شد. مورد اول مستلزم آن است که انسان کاملاً یک متن داده شده را بفهمد و قوانینی را که دستگاه باید اجرا کند ، تعریف کند ، در حالی که مورد دوم دستگاه را قادر می سازد بدون نیاز به درک متن بر اساس مجموعه ای از داده ها و الگوریتم های یادگیری نتیجه گیری کند (در پایان ML همچنین می تواند مبتنی بر قاعده تلقی شود ، فقط فقط برای قوانینی که الگوریتم های یادگیری دارند).
در داخل ML ، یادگیری عمیق (DL) در حال حاضر محبوب ترین رویکرد است. این نام خود را مدیون معماری “شبکه های عصبی مصنوعی عمیق (یا چند لایه) است – نرم افزاری که تقریباً نحوه عملکرد سلول های عصبی در مغز را تقلید می کند” (فورد 2018)، پ. 10) پیش از این ، رویکردهای سنتی تر در مورد ML هنوز مستلزم استخراج ویژگی ها توسط انسان است. در DL ، سه روش معمولاً متمایز می شوند ، یعنی نظارت (SL) ، تقویت (RL) و یادگیری بدون نظارت (UL). یادگیری تحت نظارت ، که در حال حاضر متداولترین روش مورد استفاده است ، برای آموزش الگوریتم ها برای بهبود برنامه های مبتنی بر هوش مصنوعی مانند شناسایی تصویر یا ترجمه ، به داده های آموزشی خوش ساخت و دارای برچسب نیاز دارد. در مقابل ، فلسفه یادگیری تقویت به بهترین وجه با آزمون و خطا توصیف می شود ، که اغلب در شبیه سازی بازی روی صفحه یا استفاده می شود. چالش RL در تعداد زیادی دور آزمایشی است که برای دستیابی به نتایج خوب لازم است. در حال حاضر ، امیدوار کننده ترین ، اما همچنین چالش برانگیزترین روش ، یادگیری بدون نظارت است ،2018 ، ص 12)
تمام این رویکردها جدایی ماشین از ذهن را فرض می کنند. موج بعدی هوش مصنوعی می تواند بر این جدایی غلبه کند و مبتنی بر این فرض باشد که ماشین ها و ذهن ها می توانند به هم متصل شوند. خواه شاهد ظهور “تراشه های نورومورفیک” (Marsh 2019 ) یا سایر روش های اتصال ذهن به ماشین باشیم ، این نوع هوش مصنوعی احتمالاً پتانسیل های جدیدی را به وجود می آورد. ما این گروه آینده نگرانه را یادگیری ماشین یادگیری (MML) می نامیم (شکل 3 ).
شکل 3
در این مقاله ، ما بر تأثیر فناوری های فعلی استفاده شده و توسعه یافته ، مانند SL ، RL و UL ، و فناوری های در حال تحقیق ، یعنی MML ، تمرکز می کنیم. برای سادگی ، ما اصطلاح AI را برای اشاره به مفاهیم مشترک در تمام رویکردهای بحث شده ادامه خواهیم داد.
درک قدرت و محدودیت های رویکردهای مختلف هوش مصنوعی
برای تعیین نقاط قوت رویکردهای مختلف هوش مصنوعی ، مهم است که در مورد مقیاس ، یعنی هوش انسانی ، و چگونگی مقایسه فرایند توسعه هوش ، یعنی یادگیری ، بین ذهن و ماشین ، توضیح داده شود.
برای پرداختن به س latterال اخیر ، ما به طور خلاصه چرخه های یادگیری انسان و ماشین را براساس مدل تصمیم گیری ارائه شده در بالا مقایسه خواهیم کرد. هر دو رویکرد فرض می کنند که تصمیمات براساس پیش بینی نتایج احتمالی است ، در حالی که پیش بینی به عنوان “فرآیند پر کردن اطلاعات از دست رفته” تعریف می شود. پیش بینی اطلاعاتی را که در اختیار دارید ، غالباً ”داده” نامیده می شود ، و از آن برای تولید اطلاعاتی که ندارید استفاده می کند (Agrawal و همکاران 2018 ، ص 24). در هر دو رویکرد ، پیش بینی ها بر اساس داده های ورودی است.
با این حال ، برخلاف یادگیری انسان ، ML سه نوع داده را در نظر می گیرد که نقش متفاوتی در SL ، RL و UL بازی می کنند: داده های ورودی (ورودی مستقیم به الگوریتم منجر به پیش بینی) ، داده های آموزشی (که در درجه اول برای تولید الگوریتم استفاده می شود) ، و داده های بازخورد (برای بهبود الگوریتم در طول زمان استفاده می شود) (Agrawal و همکاران 2018 ). در حالی که هر سه رویکرد ML به داده های ورودی متکی هستند ، داده های آموزش برای SL بسیار مهم است ، در حالی که داده های بازخورد برای RL و UL بسیار مهم است (شکل 4 ).
شکل 4
این ما را به اولین سوال برمی گرداند: قدرت هوش مصنوعی. در اینجا ، بحث در مورد اینکه کدام روش یادگیری برای کدام نوع تصمیم گیری مناسب تر است ، مهم است همانطور که قبلاً بحث شد. اگرچه می توان از SL برای تصمیم گیری های معمول استفاده کرد ، اما با توجه به نیاز به داده های آموزشی مربوطه ، برای سایر تصمیمات ، یعنی پیچیده ، پیچیده یا آشفته ، بسیار کم اثر می شود. از طرف دیگر ، RL می تواند در اتوماسیون تصمیمات پیچیده بر اساس روال گذشته موثر باشد. با این حال ، از آنجا که به شدت به آزمون و خطا و در نتیجه به داده های بازخورد متکی است ، در رسیدگی به تصمیمات پیچیده یا حتی بی نظم بسیار موثر نیست. برای تصمیمات پیچیده ، UL می تواند سرنخ هایی را ارائه دهد ، در حالی که برای تصمیمات آشفته ، اتکا به هر روش شناخته شده ML حتی دشوارتر خواهد بود. هر ماشینی که در تسلط بر تصمیمات آشفته موفق شود ، آخرین آزمایش تورینگ را می گذراند ، یعنی2017 ) یا به بیان دیگر ، مرحله فعلی هوش مصنوعی با موانع جدی روبرو است که توسط مارکوس ( 2018 ) خلاصه شده است : تعدادی از مشکلات ناشی از عدم شفافیت یا انتقال پذیری ، عدم توانایی ذاتی تشخیص بین علیت و همبستگی است ، و ناکارآمدی از نظر مقدار داده مورد نیاز برای پیش بینی های معتبر.
در اینجا امید برای رویکردهای جایگزین ML ، مانند MML ، همانطور که در بالا نشان داده شد ، وجود دارد. با این حال ، پتانسیل و محدودیت های واقعی این نوع رویکرد هنوز دیده نشده است. این سوال که آیا هوش عمومی مصنوعی به واقعیت تبدیل می شود و چه زمانی هنوز جای بحث دارد.
قلمرو مسئولیت: چشم انداز جامعه
“غم انگیزترین جنبه زندگی در حال حاضر این است که علم سریعتر از اینکه جامعه خرد را جمع کند دانش را جمع می کند.”
به نقل از Tegmark به آیزاک آسیموف ( 2017 ، ص 316 ).
از آنجا که تجارت ، جامعه و سیاست در میانه روند تصویب هوش مصنوعی قرار دارند ، گفتمان عمومی درباره چارچوب های نظارتی مناسب در جریان است. همانطور که اغلب در مورد فن آوری های جدید اتفاق می افتد ، توسعه فناوری و برنامه های تجاری سریعتر از مقررات اجرا می شوند. از این لحاظ ، مسائل حقوقی و اخلاقی امروزی بسیار شبیه مواردی است که در حوزه پزشکی در دهه 1700 مطرح شد (گاسر و اشمیت 2019 ).
برخی از مهمترین موضوعات قانونی و اخلاقی مربوط به حاکمیت شرکتی اکنون در حال ظهور است. ما در بخشهای بعدی روی پنج مورد تمرکز خواهیم کرد.
ملاحظات حقوقی: انطباق با مقررات هوش مصنوعی
هیئت مدیره در تصمیم گیری برای ادغام و ادغام هوش مصنوعی در فرایندها و رویه های خود با پنج ملاحظه حقوقی اساسی هدایت می شود.
- پاسخگویی از آنجا که مسئولیت پذیری در هسته حاکمیت شرکتی است ، تأثیر هوش مصنوعی بر این اصل محوری است. همانطور که توسط ولدریج و میکلث وایت ( 2003) بیان شده است) ، مفهوم شرکت در زمان ایجاد آن یک ایده انقلابی بود ، زیرا ایجاد یک شخصیت حقوقی با مسئولیت محدود به شرکتها اجازه می داد ریسک بیشتری از آنچه برای یک شخص واحد ممکن است انجام دهند. به منظور جلوگیری از سو abuseاستفاده از ساختار با مسئولیت محدود ، مدیریت و نظارت بر شرکتها به اشخاص حقیقی واگذار شد که مسئولیت انجام وظایف خود را بر اساس ضوابط مشخص و مشخص انجام دادند. مفهوم تفویض اختیار اصلی است. در حالی که تفویض اختیار بین افراد حقیقی اعمال می شود ، به عنوان مثال هیئت مدیره می تواند وظایف خود را به TMT یا شخص حقوقی دیگری تفویض کند ، به عنوان مثال یک شرکت حسابرسی ، وظایف اصلی یک عضو هیئت مدیره ، یعنی هدایت و کنترل یک شرکت ، قابل تفویض نیست. در حال حاضر ، این امر در مورد تفویض به ماشین ها نیز صدق می کند. بدین ترتیب،
- مسئولیت مفهوم حقوقی مسئولیت با اولین نکته مرتبط است. هر شخص حقیقی که وظیفه امانتداری را انجام می دهد ، مسئول هرگونه کوتاهی در عملکرد موثر خود به عنوان مدیر یک شرکت است. اگر خطایی در الگوریتم منجر به تصمیمات اشتباه شود چه کسی مسئول خواهد بود؟ کاربر الگوریتم ، توسعه دهنده آن یا فروشنده آن؟ اگر یک شرکت الگوریتم داخلی را توسعه دهد ، چه اتفاقی می افتد؟ آیا بیمه ای برای پوشش خطرات وجود خواهد داشت؟ (Armour and Eidenmueller 2019 ). اینها موارد حقوقی حیاتی است که هنوز به طور کامل در دادگاه آزمایش نشده است.
- قضاوت در مورد تجارت در قانون قضاوت در مورد تجارت آمده است كه هر تصميم كليدي در سطح هيئت مديره بايد بر اساس بهترين اطلاعات موجود باشد و هيئت مديره بايد تصميم را براساس آن مستند سازد. این دو پیامد برای هوش مصنوعی و حاکمیت شرکتی دارد: از یک طرف ، شرکتها می توانند مجبور شوند که به هوش مصنوعی متوسل شوند اگر نتایج بهتر از افراد با عقلانیت محدود را ارائه دهد. از طرف دیگر ، جعبه های سیاه پشت بسیاری از برنامه های هوش مصنوعی در صورت بروز اختلافات قانونی نیاز به رمزگشایی دارند.
- حفاظت از داده ها از آنجا که اثربخشی هوش مصنوعی بسیار به در دسترس بودن داده ها همانطور که در بالا توضیح داده شد بستگی دارد ، مقررات مربوط به حفاظت از داده ها و دسترسی به داده ها برای اطمینان از اینکه شرکت ها می توانند از داده های حساس مورد نیاز برای تصمیمات استراتژیک محافظت کنند بسیار مهم است. در عین حال ، شرکت ها معمولاً باید به داده های موجود در دسترس عموم دسترسی داشته باشند تا اطمینان حاصل شود که می توان تمام نقاط داده مربوط را برای بهینه سازی هوش مصنوعی در نظر گرفت. این چالش دوگانه خطرات عمده ای را برای شرکت ها به منظور خودکار سازی تصمیم گیری در سطح هیئت مدیره ایجاد می کند.
- ناهمگنی رژیم از آنجا که قوانین تجارت در بازارهای مختلف هنوز به کشورهای ملی گره خورده است ، شرکت های درگیر در تجارت بین المللی در معرض تعدادی از رژیم های نظارتی قرار می گیرند که مواضع بسیار متفاوتی در مورد مسائل مربوط به هوش مصنوعی دارند (Hilb 2017 ). هیئت مدیره باید فرصت ها و خطرات چنین تعاملی را درک کند تا اطمینان حاصل کند که می توان جریان داده های بین المللی را حفظ کرد تا بهترین تصمیمات ممکن گرفته شود.
ملاحظات اخلاقی: پیش بینی انتظارات هوش مصنوعی در جامعه
علاوه بر تعدادی از س legalالات حقوقی ، ملاحظات اخلاقی جدی تری نیز باید در نظر گرفته شود (Simonite 2018 ). پنج سوال اصلی اخلاقی را می توان به شرح زیر خلاصه کرد:
- تعصب در و توسط AI تعصب نقش مهمی در روند تصمیم گیری انسان دارد. این مورد همچنین در مورد ML صدق می کند ، جایی که ماشین آلات با تکیه بر داده های ورودی که ممکن است مغرضانه باشند ، از راه حل انسانی تقلید می کنند (Rosso 2018 ). شناخت این تعصبات و داشتن شهامت برای اصلاح آنها بسیار مهم است. در همان زمان ، نتایج هوش مصنوعی بر رفتار انسان تأثیر می گذارد و ممکن است باعث تحریفات دیگری شود.
- توزیع ثروت دومین مسئله اخلاقی که هیئت مدیره باید به آن بپردازند مالکیت داده است زیرا داده ها مهمترین کلاس دارایی در “اقتصاد ناملموس” هستند (هاسکل و وستلاک 2018 ). این س ethال اخلاقی که چه کسی از ارزش اقتصادی حاصل از داده ها بهره می برد ، یکی از مهمترین بحثها در آینده خواهد بود که هیئت مدیره نمی تواند آن را نادیده بگیرد. آنها باید آماده باشند تا رویکرد خود را به هوش مصنوعی تطبیق دهند زیرا جامعه تقسیم عادلانه مزایای هوش مصنوعی را درخواست می کند (آلتمن 2015 ).
- انحصار اطلاعات در چارچوب ملاحظات قبلی ، انحصار توانایی های اطلاعاتی ، م keyلفه اصلی هوش مصنوعی م factorثر ، عامل اصلی در توسعه سیستم هوش مصنوعی است. از آنجا که دانش به معنای قدرت است ، توانایی ایجاد هوش به یک آسیاب طلای جدید تبدیل خواهد شد. با قدرت مسئولیت همراه است. این برای هیئت مدیره به عنوان نهاد مدیریتی در سطح بالاتر که مسئولیت اطمینان از مسئولیت شرکت را بر عهده دارد ، اعمال می شود. به طور خاص ، هیئت مدیره مسئول اطمینان از سو none استفاده از هیچ یک از فناوری های هوش مصنوعی است.
- ارزشها یکی دیگر از نگرانیهای اساسی در استفاده از هوش مصنوعی در حاکمیت شرکتی این است که مبنای اخلاقی هر تصمیم باید باشد. اصول اساسی باید چه باشد و چگونه می توان چنین اصولی را در هوش مصنوعی ادغام کرد؟ این س questionsالات ساده با بحث فلسفی عمیق تری درمورد اینکه آیا یک حقیقت واحد وجود دارد یا اینکه لازم است مفروضات اساسی صریح باشد پیوند دارند. این یک سوال اساسی است ، خصوصاً برای DL ، زیرا هر یادگیری فقط می تواند اخلاقیات اعمال شده در گذشته را در نظر بگیرد. به عنوان یک نتیجه ، هوش مصنوعی یک دیدگاه ابزاری و نه یک ارزش محور از اخلاق را در نظر می گیرد. از آنجا که ارزشها برای هر شرکت موفق مهم هستند ، چنین نگاه ابزاری به اخلاق می تواند منجر به عواقب و تعارضات ناخواسته ای شود که باید به هر قیمتی از آنها اجتناب شود.
- اراده آزاد سرانجام ، نگرانی های موجهی وجود دارد که سیستم های تصمیم گیری خودمختار ممکن است استقلال و اراده آزاد افراد یا شرکت ها را محدود کنند ، یکی از مفاهیم کلیدی تمدن. به ویژه به عنوان یک عضو هیئت مدیره مستقل ، اراده آزاد ویژگی اصلی است که باید حفظ و پرورش یابد.
قلمرو پایداری: چشم انداز یکپارچه
وقتی حوزه های مطلوب ، عملی و مسئولیت پذیر را با هم ترکیب کنیم ، به حوزه آنچه برای هوش مصنوعی پایدار است در حاکمیت شرکتی وارد می شویم. بحث فوق نشان داد که کاربرد هوش مصنوعی در حاکمیت شرکتی نه تنها پیچیده بلکه پویا است. بنابراین ، بحث باید در مورد سناریوهای ممکن باشد و نه در مورد یک دیدگاه واحد. علاوه بر این ، بحث فوق دوگانگی غالب در همه ابعاد هوش مصنوعی: ذهن و ماشین را به سطح آورده است. برای بررسی دوگانگی ها همیشه دو روش وجود دارد: شما می توانید آنها را به عنوان یک رقابت یا مکمل در نظر بگیرید. در حالی که یک رقابت طبیعی بین ذهن انسان و ماشین برای کارایی و کارایی هوش وجود دارد ، دو رویکرد هوش نیز بسیار مکمل یکدیگر هستند. از این رو،2019 ) این هوش هم افزایی چه شکلی است؟
ما بین پنج سناریوی هوش هم افزایی [بخشی از نالدر ( 2017 ) و Armour and Eidenmueller ( 2019 )] تمیز خواهیم داد :
- هوش کمکی در مورد هوش کمکی ، بشر هنوز تصمیم گیرنده ای است که به پشتیبانی تصمیم گیری از برنامه های مبتنی بر هوش مصنوعی مانند ترجمه یا تشخیص گفتار اعتماد می کند. این رویکردها به طور کلی توسط جامعه پذیرفته شده و حتی مورد استقبال قرار می گیرند و معمولاً به خوبی تنظیم می شوند.
- هوش افزوده در حالی که انسان در مورد استفاده از هوش تقویت شده همچنان تصمیم گیرنده روشنی است ، راه حل های مبتنی بر هوش مصنوعی پیچیده تر هستند و به تصمیم گیرنده اجازه می دهند از این فناوری به روشی استفاده کند که از هوش انسانی فراتر رود ، به عنوان مثال با شناسایی نقاط دور از مقدار زیادی داده یا گزارش خودکار. تنظیم اطلاعات هوشمند افزوده امروزه در بالای دستور کار قرار دارد ، زیرا پیامدهای بیشتر و بیشتر آشکار می شوند و خواستار تنظیم آن می شوند.
- هوش تقویت شده استفاده از هوش تقویت شده مستلزم تصمیم گیری مشترک توسط انسان و ماشین است ، یعنی دستگاه می تواند پیشنهادی را تأیید کند که باید توسط مردی که قادر به ارائه ورودی های اضافی است تأیید شود ، به عنوان مثال در مورد توصیه های پیچیده متخصص. امروزه همزیستی بین ذهن و ماشین نه از نظر اجتماعی قابل قبول است و نه در هیچ رژیم قانونی پیش بینی شده است. بنابراین ، بحث اجتماعی هنوز باید شکل کامل بگیرد.
- هوش خودمختار با داشتن هوش مستقل ، ماشین می تواند به طور مستقل تصمیم بگیرد و در یک محدوده از پیش تعریف شده و بدون ورودی های دائمی کار کند. نمونه هایی از این مکانیسم های کنترل خودتنظیم یا ربات های بسیار پیشرفته هستند. بحث های اجتماعی و نظارتی درباره چگونگی برخورد با هوش مستقل آغاز شده است ، اما هنوز به اجماع عمومی پذیرفته نشده است ، زیرا برخی از بحث ها ، به عنوان مثال در مورد مسئولیت پذیری و مسئولیت ، مفروضات اساسی چارچوب نظارتی امروز را به چالش می کشد.
- هوش اتوپائتیک استفاده از هوش اتوپوتیک بر اساس موجودی مصنوعی استوار است که نه تنها قادر به تصمیم گیری مستقل در یک منطقه خاص است ، بلکه می تواند این حوزه را به مرور توسعه و گسترش دهد. این امر ضرورت و تأثیر تصمیم گیری انسان را به حاشیه می برد. نمونه هایی از کاربرد این نوع هوش را می توان در ادبیات علمی تخیلی تا این مرحله یافت. در نتیجه ، یک بحث اساسی جامعه در مورد چگونگی استفاده از هوش اتوپتیک هنوز آغاز نشده است.
تعامل هوش انسان و ماشین چگونه است؟ در قلب مفهوم هوش هم افزایی این اعتقاد وجود دارد که نتیجه چنین ترکیباتی نتیجه ای بالاتر از صرف افزودن آنها دارد. این را در نمودار زیر نشان داده شده است که توابع کارایی هوش و کارایی هوش را نشان می دهد. در حالی که مورد اول فرض می کند که ماشین فقط برای دستیابی به کارآیی با همان نتیجه انسان را جایگزین می کند ، عملکرد اثربخشی هوش نشان می دهد که چگونه می توان با ترکیب هر دو روش تحت فرض هوش محدود انسان تصمیم بهتری گرفت. بنابراین هوش هم افزایی واقعی نتیجه عملکرد اثربخشی هوش است (شکل 5 ).
شکل 5
چگونه می توان این یافته ها را در هوش مصنوعی در حاکمیت شرکتی به کار برد؟ اجازه دهید تأثیر آنها را بر روی سه نقش یک هیئت مدیره که قبلاً برای هر یک از پنج سناریو تعریف شده است ، تحلیل کنیم:
هوش مساعدت: کارآیی بیشتر هیئت مدیره در اداره
با استفاده از زمینه حاکمیت شرکتی ، استفاده از اطلاعات کمکی بر اصول اساسی عملکرد هیئت مدیره تأثیر نمی گذارد بلکه ابزارهای اضافی برای حمایت از تصمیم گیری در اختیار اعضای هیئت مدیره قرار می دهد. تصمیم گیرنده انسانی ، یعنی عضو هیئت مدیره ، در مرکز قدرت باقی می ماند. مفاهیم سه کارکرد اصلی هیئت مدیره به شرح زیر است:
- جهت دهی مشترک استفاده از ابزارهای مبتنی بر هوش مصنوعی برای مقابله بهتر با داده های بازار و عملیاتی ، ورودی های ارزشمندی را برای اعضای هیئت مدیره درگیر در تصمیم گیری استراتژیک فراهم می کند.
- کنترل در همان زمان ، استفاده از هوش مصنوعی به شما امکان می دهد فرآیندهای ادغام و گزارش گیری شرکت ها را بیشتر فراهم کنید و داده های زمان واقعی را به هیئت مدیره افزایش می دهد و شفافیت کلی امور شرکت ها را افزایش می دهد.
- مربیگری تأثیر مرتبط با مربیگری فناوری هوش مصنوعی حاشیه ای است ، زیرا با توجه به ماهیت مردمی این مشارکت ، استفاده از مقادیر زیادی از داده ها برای تقویت روابط بین فردی بین اعضای هیئت مدیره و TMT حاشیه ای است.
هوش افزوده: موثرتر شدن هیئت مدیره در حاکمیت
استفاده از اطلاعات پیشرفته نه ماهیت اساسی حاکمیت شرکتی را زیر سوال می برد و نه اعضای هیئت مدیره را از قدرت سلب می کند. بلکه قول می دهد که تصمیم گیری نه تنها کارآمد بلکه موثرتر نیز باشد ، زیرا از فناوری های هوشمند برای ارائه نتایج بهتر استفاده می شود. همراه با سه عملکرد اصلی هیئت مدیره ، پیامدهای زیر بوجود می آیند:
- جهت دهی مشترک سهم اصلی هوش مصنوعی در استفاده از مدل های پیش بینی نهفته است ، که به توسعه سناریوهای معتبرتر و شبیه سازی های برتر کمک می کند تا تصمیم گیری در تصمیمات هیئت مدیره استراتژیک را بهبود بخشد ، چه از نظر سرمایه گذاری و چه از نظر افراد.
- کنترل استفاده از قابلیت های پیش بینی بهبود یافته در هیئت های نظارت به تغییر ماهیت کنترل ها از کنترلهای غالباً گذشته به آینده گرا کمک می کند. این تغییر منجر به تغییر اساسی در نقش و تأثیر هیئت مدیره در اطمینان از کنترل شرکت خواهد شد.
- مربیگری بینش پیش بینی همچنین به توسعه افراد کلیدی و تصمیم گیری در مورد جبران خسارت مبتنی بر داده کمک می کند.
هوش تقویت شده: همكاری هیئت مدیره و ماشین
گرایش به سمت اطلاعات تقویت شده شروع به چالش کشیدن برخی از مفروضات اساسی تجارت و حقوقی حاکمیت شرکتی است. همانطور که اطلاعات تقویت شده سهم و پاسخگویی یکسان و مسئولیت پذیری انسان و ماشین را فرض می کند ، رویکرد انسان محوری برای حاکمیت به چالش کشیده می شود. نیاز به بحث در مورد چگونگی برخورد با مفروضات اساسی قانون شرکت ها ، یعنی مسئولیت پذیری شخصی در قبال بدهی های شرکت ها ، هنگام تصمیم گیری موثر وجود دارد. چه کسی باید برای چه چیزی پاسخگو باشد؟ در این سناریو ، پیامدها در سه بعد به شرح زیر است:
- هدایت مشترک برخی تصمیمات تعیین کننده هدف کاملاً خودکار است ، در حالی که برخی دیگر در دست افراد باقی می ماند. تمایز بین تصمیمات ماشین محور و انسان محور به احتمال زیاد بر اساس توانایی مربوطه ، بلکه در اثر فرضیه نیز بنا شده است.
- کنترل همان منطق مربوط به عملکرد کنترل برد است. بسیاری از وظایف انطباق کاملاً خودکار بوده و باعث اطمینان و اطمینان بیشتر آنها در برابر سو mis استفاده و سوhand استفاده می شود. با این حال ، برخی از مسائل مربوط به انطباق انسان محور هنوز هم باید توسط انسان مدیریت شود. تفکیک مشابه وظایف در مورد رسیدگی به مسائل ریسک و عدم اطمینان فرض می شود. در حالی که بیشتر تصمیمات قبلی توسط ماشین گرفته می شود ، درگیری انسان اعتبار تصمیمات مربوط به عدم اطمینان را افزایش می دهد.
- مربیگری در این سناریو ، مربیگری به معنای گسترده ای تبدیل می شود ، زیرا مربیگری فقط به معامله با افراد ، یعنی سایر اعضای هیئت مدیره یا مدیران محدود نمی شود ، بلكه با ماشین آلات نیز محدود می شود. آنها همچنین باید آموزش و نگهداری شوند. هر دو وظیفه هیئت مدیره است.
هوش مستقل: خودگردان بودن شرکت
در سناریوی اطلاعات مستقل ، همه یا برخی از اعضای هیئت مدیره توسط ماشین ها جایگزین می شوند ، یا توسط یک ربات حاکمیت (رباتی که نماینده هیئت مدیره است) یا توسط robo-Director (ربات های مختلفی که مشارکت های مدیران فردی را شبیه سازی می کنند) ، بسته به میزان چارچوب قانونی تغییر می کند در عین حال ، هنوز فرض بر این است که مردم مسئولیت تعیین دامنه حاکمیت شرکتی را حفظ خواهند کرد. در حال حاضر یک مطالعه موردی واقعی در هنگ کنگ انجام شده است که در آن Vital ، یک سیستم AI ، یکی از اعضای هیئت مدیره در یک شرکت سرمایه گذاری است (Burridge 2017 ). همانطور که توسط Armour and Eidenmueller ( 2019 ) برجسته شده است ، این سناریو به احتمال زیاد ابتدا در شرکت های تابعه تحقق می یابد. تأثیرات روی سه نقش اصلی در این سناریو به شرح زیر است:
- جهت دهی مشترک ربات فرمان یا مدیران ربات ، در یک منطقه از پیش تعریف شده مستقل از دستورالعمل های مربوط به پرونده ، تصمیمات استراتژیک می گیرند. با این حال ، الگوریتم های آنها باید برای وظایفی که برای انجام تعهدات قانونی پیش بینی شده برای اداره م ofسسات تعیین شده اند ، گواهی شوند.
- کنترل همین مورد در مورد نقش آنها در اطمینان از کنترل کافی اعمال می شود. از آنجا که قوانین ، مقررات و استانداردها در این زمینه اساسی هستند ، حتی می توان گواهینامه ربات های حاکمیتی یا مدیران ربات ها را تنظیم کرد. این امر به عنوان مثال با تکیه بر چنین مکانیزم هایی برای همکاری بین شرکت مهم است.
- مربیگری در این سناریو ، مربیگری مترادف با توسعه و نگهداری ماشین است. احتمالاً افراد به عنوان ماشین هایی که ماشین های دیگر را مربی می کنند ، در این امر نقش دارند.
هوش اتوپتوتیک: خودساختن حاکمیت شرکتی
در سناریویی که هوش اتوپتیک حاکم است ، حاکمیت یک نهاد تجاری نه تنها کاملاً خودکار است تا بتواند از حاکمیت صحیح در چارچوبی خاص اطمینان حاصل کند ، به عنوان مثال نمایندگی منافع سهامداران به وضوح مشخص شده ، بلکه همچنین می تواند توسعه آینده آن را پیش ببرد و تعامل فعالانه ای با دیگر افراد داشته باشد. نهادهای کسب و کار. در این سناریو ، تأثیر بر سه نقش اصلی به شرح زیر است:
- هدایت مشترک هم تنظیم دستور کار و هم تصمیمات استراتژیک کاملاً خودکار بوده و کاملاً با الزامات قضاوت مناسب در زمینه تجارت مطابقت دارند. مداخله انسان دیگر لازم نیست.
- کنترل یک سیستم بازخورد کاملاً خودکار تضمین می کند که اهداف تعیین شده به طور مداوم کنترل ، اندازه گیری می شوند بلکه به چالش کشیده می شوند. توابع جهت كنترل و كنترل به هم پیوند نزدیكی دارند.
- مربیگری توسعه خود سیستم همچنین از طریق بازخورد در داخل و بین واحدهای درگیر ، بهبود مستمر را تضمین می کند. یک عملکرد مربیگری موثر مبتنی بر این درک تفاوت اصلی بین سیستم های حاکمیتی بهتر و بدتر خواهد بود.
مفاهیم
این سناریوها برای اعضای هیئت مدیره چه معنایی دارند؟ چگونه باید آنها درباره فرصت ها ، اما همچنین خطرات ناشی از ورود هوش مصنوعی در اتاق های هیئت مدیره خود فکر کنند؟ س keyالات اساسی برای پرسیدن چیست؟
در راستای دیدگاه پویای هوش مصنوعی که قبلاً معرفی شده بود ، ما از مدل افق نوآوری پیشنهاد شده توسط Baghai و همکاران استفاده خواهیم کرد. ( 2000 ) و آن را با حاکمیت مبتنی بر هوش مصنوعی تطبیق دهید. آنها توصیه می کنند که شرکت ها به طور همزمان بر روی نوآوری مداوم برای بهبود مدل کسب و کار موجود شرکت (افق 1) تمرکز کنند ، مدل تجاری موجود شرکت را به مشتریان ، بخشها یا بازارهای جدید گسترش دهند (افق 2) و ایجاد مشاغل جدید برای استفاده از فرصت های مخرب آینده ( افق 3). علاوه بر این، ما را به مفاهیم برای هر دو حکومت برجسته از هوش مصنوعی و حکومت با هوش مصنوعی.
افق 1: بهره گیری از فرصت های ارائه شده توسط هوش مصنوعی فعلی برای بهبود حاکمیت شرکتی امروز
حکمرانی مصنوعی در Horizon 1 بسیار تحت تأثیر پیشرفت در یادگیری تحت نظارت و تا حدی تقویت کننده است که عمدتاً منجر به هوش کمک و تقویت می شود. در هر دو مورد ، داده های صحیح و کافی کلید عملکرد هستند ، یا به عنوان داده های آموزش یا بازخورد.
حکومت داده تمرکز اصلی این است که آن را به حکومت می آید از هوش مصنوعی در افق 1. شرکت به خوبی به ارزش استراتژیک داده ها به عنوان آموزش، اما حتی مهم تر، به عنوان داده های بازخورد (Iansiti و لاخانی 2020 ). برای بسیاری از شرکت ها، داده ها در حال تبدیل شدن بیشتر دارایی با ارزش (مایر شونبرگر و Ramge 2018 ) در راستای “ظهور اقتصاد نامحسوس” (هاسکل و وستلیک 2018 ). درک ویژگی های اقتصادی داده ها بسیار ضروری است ، به ویژه اینکه داده ها رقابتی نیستند ، دارای ارزش گزینه بالایی هستند ، اغلب دارای هزینه های بالای جلو و پایین هستند و نیاز به سرمایه گذاری های تکمیلی مانند فن آوری و کارکنان واجد شرایط دارند (کویل ، Diepeveen ، Wdowin ، Kay ، و Tennison 2020) بنابراین ، حاکمیت این دارایی های کلیدی از اهمیت استراتژیک برخوردار است و باید در سطح هیئت مدیره مورد توجه قرار گیرد (Hilb 2019 ). در همان زمان ، مسائل مربوط به داده ها خطرات عمده ای را به همراه دارد و فرهنگ شرکت ها و رابطه بین شرکت ها و جامعه را به طور فزاینده ای تعیین می کند (Mantas 2019 ).
در عین حال ، مهم است که هیئت مدیره تشخیص دهد که هوش مصنوعی فقط بر تجارت تأثیر نمی گذارد ، بلکه بر خود هیئت مدیره ، یعنی حاکمیت با هوش مصنوعی نیز تأثیر می گذارد . این آگاهی برای ایجاد اطلاعات بیشتر در هیئت مدیره ( لیبرت و همکاران 2017 ) ضروری است تا بتواند از مزایای آنچه Davenport و Ronanki ( 2018 ) “شرکت شناختی آینده” می نامند استفاده کامل کند. تمرکز اصلی در افق 1 گزارش و کنترل است ، زیرا هوش مصنوعی ممیزی های مبتنی بر نمونه را امکان پذیر می کند ، اکنون داده ها و قدرت پیش بینی قوی تر داده ها (Mantas 2019 ) است. این در نهایت منجر به کاهش هزینه کنترل داخلی می شود ، اما همچنین منجر به افزایش خطرات نظارت و مسئولیت بیش از حد شرکت می شود (Armor and Eidenmueller 2019 ).
افق 2: بررسی فرصتهای هوش مصنوعی آینده برای بهبود حاکمیت شرکتی فردا
تأثیر هوش مصنوعی بر حاکمیت شرکتی ، به طور عمده از طریق توسعه تقویت و یادگیری بدون نظارت ، به سطح جدیدی در Horizon 2 خواهد رسید ، که تأثیر حمایت وام از هوش مصنوعی را به هوش تقویت شده ، تقویت شده و خودمختار گسترش می دهد. برای اولین بار ، چشم انداز یک سازمان خودران فراتر از فقط داستان علمی است. سیستم ها قادر خواهند بود نه تنها در مناطق باریک بلکه در تصمیم گیری های گسترده تر و بهم پیوسته ، همانطور که در بالا توضیح داده شد ، از توانایی یادگیری انسان فراتر روند.
در چنین زمینه، الگوریتم مورد توجه از حکومت می شود از هوش مصنوعی است. آن سازمانهایی که قادر به توسعه و استفاده از الگوریتمی هستند که امکان تقویت و مهمتر از آن یادگیری بدون نظارت را فراهم کند ، در موقعیتی قرار خواهند گرفت که از آن بهره مند شوند. از آنجا که هیچ سازمانی به تنهایی قادر به تولید یا استفاده از چنین الگوریتم هایی برای دستیابی به پتانسیل کامل خود نخواهد بود ، همکاری بین سازمان ها در اکوسیستم ها حیاتی خواهد بود (Hilb 2017) این امر منجر به برخی از مسائل حقوقی می شود ، مانند مسئولیت در قبال الگوریتم ، یعنی اگر کسانی که از آن استفاده می کنند یا آن را می سازند در قبال نتیجه آن ، قانون ضد انحصارى مسئول شناخته شوند ، یعنی آیا یک الگوریتم برتر می تواند منجر به یک رفتار ضد رقابتی شود ، به ویژه هنگامی که شرکت ها با یکدیگر همکاری می کنند توسعه و استفاده از آن یا موارد نظارتی مرتبط مانند قانون مالیات ، یعنی چگونه باید از ارزش افزوده الگوریتم ها مالیات گرفت؟ در عین حال ، رویه ها و روندهای داخلی باید انجام شود تا اطمینان حاصل شود که همه این سوالات به درستی پرداخته شده اند یا به عنوان Armor and Eidenmueller ( 2019، پ. 36) اظهار داشت: “(T) مشکلات نمایندگی سنتی در شرکت ها به عنوان یک مسئله تحلیلی اهمیت خود را به طور فزاینده ای از دست می دهند: الگوریتم ها یک تابع هدف داده شده را بهینه می کنند. در همان زمان ، چالش های جدید نظارتی و در نتیجه هزینه های نمایندگی “استراتژیک” در رأس سلسله مراتب شرکت ایجاد می شود. “
وقتی نوبت به حاکمیت با هوش مصنوعی می رسد ، تمرکز از فقط آزمایش به استفاده از هوش مصنوعی به عنوان یک الزام قانونی است. از آنجایی که هوش مصنوعی برای تعیین اهداف قابل اعتمادتر و قابل استفاده است ، تصمیم گیری با هدایت هوش مصنوعی در بسیاری از موارد مطمئن ترین روش برای رسیدن به تصمیمی است که مطابق با معیارهای “قضاوت مناسب تجارت” باشد ، همانطور که به عنوان یک کلید ارائه شده است. اصل در بیشتر مقررات قانون شرکت. بنابراین ، جهت یک شرکت به طور فزاینده ای توسط AI تعیین می شود که خود هدف را تعیین می کند ، کنترل آن نیز توسط AI تعیین می شود همانطور که در افق 1 شرح داده شده است ، بنابراین حلقه بسته می شود.
افق 3: شکل گیری مدل جدید حاکمیت شرکتی با بهره گیری از قدرت مخل هوش مصنوعی آینده نگر
افق 3 حاکمیت مصنوعی هنوز بسیاری از موارد ناشناخته را در خود جای داده است ، زیرا ما نمی دانیم که فناوری AI چگونه تکامل می یابد و جامعه چه قوانینی را برای کسانی که آن را توسعه می دهند و از آن استفاده می کنند ، وضع می کند. آنچه ما می دانیم ، جهتی است که در آن قدم می گذاریم. رویکردهایی برای هوش مصنوعی وجود دارد که فراتر از شبکه های عصبی است و شامل ارتباطات مستقیم بین ذهن و ماشین است (Marsh 2019 ). این رویکرد به احتمال زیاد ماهیتی دارد که توسط Christensen ( 1997 ) تعریف شده است مخل باشد ، یعنی برای دستیابی به سطح جدیدی از کارایی و اثربخشی ، که به موجب آن رویکردهای قدیمی در نهایت منسوخ می شوند. این رویکردها احتمالاً ما را به آنچه تحت عنوان هوش عمومی معروف است نزدیک می کنند (Marsh 2019)) یعنی همان چیزی که ما آن را هوش خودمختار و اتوپوئتیک می نامیم.
برای حکومت از AI، این بدان معنی است که تغییرات تمرکز به رابط بین ذهن و دستگاه و چگونه به منظور جلب از این لینک ها. ناگفته نماند که این سطح از ارتباط ، مجموعه ای کاملاً جدید از سوالات قانونی و اخلاقی را به وجود خواهد آورد که جوهر اراده و تعیین سرنوشت انسان را لمس می کند. از آنجا كه كنترل امكانات فن آوري سازمانها براي تأثيرگذاري بر انديشه انسان بيشتر و دشوارتر خواهد بود ، مقررات آنها بسيار بحث برانگيز ولي تأثيرگذار خواهد بود. در عین حال ، سازمانها احتمالاً به معنای واقعی کلمه به سیستمهای خود سازماندهی تبدیل خواهند شد ، یعنی بدون هیچ گونه مداخله انسانی عمل خواهند کرد.
این امر همچنین حاکمیت با هوش مصنوعی را به سطوح جدیدی منتقل خواهد کرد. هوش مصنوعی سازمان را قادر می سازد تا خود را با مlyثرتر و موثرتر از هر انسانی کنترل و هدایت کند. بنابراین ، فشار اقتصادی از طرف بازار سرمایه برای انطباق با انواع حکمرانی مبتنی بر هوش مصنوعی وجود خواهد داشت. این مدل احتمالاً مستاجر اصلی قانون شرکت های امروزی را به چالش می کشد: مسئولیت شخصی مدیران شرکت های با مسئولیت محدود (Moeslein 2018 )
نتیجه گیری
“موفقیت در ایجاد هوش مصنوعی موثر ، می تواند بزرگترین واقعه در تاریخ تمدن ما باشد. یا بدترین ما فقط نمی دانیم. “
استیون هاوکینگ به نقل از Girasa ( 2020 ، ص 64 ).
گرچه اشتیاق کسب و کار برای هوش مصنوعی مشخص است و پیشرفت های فناوری قطعی است ، اما در نهایت گفتگوهای اجتماعی بسیار مهم خواهد بود. از این لحاظ ، شرکت ها باید برای جلب اعتماد جامعه ثابت کنند که از مسئولیت خود در برخورد با هوش مصنوعی آگاه هستند. در عین حال ، هوش مصنوعی تأثیر عمیقی بر حاکمیت شرکتی خواهد داشت ، زیرا امکان معرفی طیف وسیعی از مکانیسم ها و سیستم های جدید حکمرانی را فراهم می کند. نتیجه می تواند مفهومی تصفیه شده از شرکت با مسئولیت محدود ، بازار سرمایه و در نتیجه سرمایه داری باشد. در صورت تمایل و توانایی نشستن روی صندلی راننده ، هیئت مدیره امروز می تواند نقش اصلی را در این روند ایفا کند.
اجرای پروژه های تخصصی هوش مصنوعی با مشاوره رایگان سلول پیشتاز
منبع : link.springer.com
ثبت نام
با ایمیل خود وارد شویدورود
