Skit in, skit ut Alla som har jobbat med ekonometrisk modellering, attribution eller algoritmer på olika vis vet att kvalitén på data att modellera på oftast är ett större problem än själva modellerandet. Det kan finnas inkomplett data, data som är felaktigt kodad eller kategoriserad, data som är insamlad med felaktig metodik. Alla dessa fel kan fullständigt kullkasta de slutsatser som dras. Ett problem som är lika stort för en AI som det är för en enkel Excel-formel.  

Utöver problematiken med felaktig data finns också problematik med felviktad data. Om det finns massor av detaljerad, granulär och gratis data inom en domän, medan data i en annan domän är dyr och besvärlig, är det lätt att man lägger fokus där det finns mest att titta på. Det kan i sin tur ge bias i tolkningen (se ”drunk lightpost syndrome”). Och det som ligger överst på Google, och därmed är enklast att skrapa för en AI, behöver inte vara mest korrekt – det kanske bara är bäst SEO-optimerat. 

Riskbedömning – hur ofta korrar vi? När vi börjar låta AI dra allt större slutsatser och informera allt fler beslut blir det nödvändigt att tänka igenom en tydlig struktur för korr. Hur ofta och på vilket sätt faktagranskar vi de svar AI ger oss?  

Detta blir extremt viktigt när vi går in i alltmer ”AI på AI”, där fler lager byggs och........

© Resumé