Hvordan AI og ML kan fremme sociale goder og bæredygtighed
Sundhed, uddannelse, miljø og økonomi er blot nogle få af de områder, hvor kunstig intelligens (AI) og maskinlæring (ML) har potentiale til at ændre sig fuldstændigt. For at forbedre både menneskers og miljøets velbefindende kan de også bruges til socialt gode og bæredygtighed. Vi vil undersøge de potentielle fordele ved kunstig intelligens og maskinlæring for bæredygtighed og sociale goder samt de vanskeligheder og muligheder, de rejser.
Kunstig intelligens og maskinlæring til gavn for samfundet
Ideen med “social good” er at forbedre samfundet, især for sårbare og dårligt stillede befolkningsgrupper. Ved at tilbyde kreative svar på nogle af de vanskeligste problemer, som verden står over for i dag, såsom fattigdom, sult, sygdom, ulighed og uretfærdighed, kan kunstig intelligens og maskinlæring bidrage til at fremme det gode samfund. En analyse fra McKinsey Global Institute hævder, at kunstig intelligens har potentiale til at hjælpe hundredvis af millioner af mennesker i både udviklede lande og udviklingslande ved at løse problemer i forbindelse med alle FN’s mål for bæredygtig udvikling.
Nogle eksempler på kunstig intelligens og maskinlæring til gavn for samfundet
Sundhedspleje
Især i miljøer med få ressourcer kan kunstig intelligens og maskinlæring forbedre diagnosticering, behandling og forebyggelse af en række sygdomme. Eksempler på anvendelse af kunstig intelligens omfatter påvisning af malaria ud fra blodbilleder, diagnosticering af tuberkulose ud fra røntgenbilleder af brystkassen, forudsigelse af risiko for hjerte-kar-sygdomme ud fra EKG-signaler og anbefaling af individualiserede behandlingsregimer til kræftpatienter.
Uddannelse
Kvaliteten, ligheden og tilgængeligheden af uddannelse kan alle forbedres ved hjælp af kunstig intelligens og maskinlæring, især for underprivilegerede og underrepræsenterede studerende. Kunstig intelligens kan f.eks. bruges til at designe personlige og tilpasningsdygtige læringsmiljøer, give lærere og elever feedback og vejledning, oversætte sprog og genkende tale samt fremme livslang læring og udvikling af færdigheder.
Miljø
Især i forbindelse med klimaforandringer og tab af biodiversitet kan kunstig intelligens og maskinlæring hjælpe med at overvåge, beskytte og genoprette miljøet. Kunstig intelligens kan f.eks. bruges til at overvåge og sænke udledningen af drivhusgasser, maksimere brugen af vedvarende energikilder, identificere og stoppe krybskytteri og skovrydning samt simulere og forudsige miljøsituationer.
Menneskerettigheder
Især for de marginaliserede og undertrykte befolkningsgrupper kan kunstig intelligens og maskinlæring støtte og forsvare menneskerettighederne. Kunstig intelligens har potentiale til at styrke sociale bevægelser og borgernes engagement, afsløre og bekæmpe hadefuld tale og misinformation, finde og redde ofre for menneskehandel og seksuel udnyttelse på nettet og forbedre adgangen til retfærdighed og juridisk bistand.
Kunstig intelligens og maskinlæring for bæredygtighed
Ideen med bæredygtighed er at tilfredsstille de nuværende krav uden at bringe fremtidige generationers evne til at tilfredsstille deres egne i fare. Ved at muliggøre en mere effektiv brug af menneskelige og naturlige ressourcer og minimere de skadelige virkninger af menneskelig aktivitet på miljøet og samfundet kan kunstig intelligens og maskinlæring bidrage til at opnå bæredygtighed. En PwC-analyse hævder, at kunstig intelligens kan øge det globale BNP med 5,2 billioner dollars og muliggøre et fald på 4 % i udledningen af drivhusgasser inden 2030.
Nogle eksempler på kunstig intelligens og maskinlæring i forbindelse med bæredygtighed
Smart landbrug
Fødevareproduktion og -forbrug kan optimeres ved hjælp af kunstig intelligens og maskinlæring, især i lyset af befolkningstilvæksten og fødevareusikkerheden. Kunstig intelligens har potentiale til at forbedre fødevaresikkerheden og sporbarheden samt til at forudse og undgå fejlslagne afgrøder og madspild. Det kan også bruges til at overvåge og kontrollere afgrødevækst, kunstvanding og skadedyrsbekæmpelse.
Intelligent mobilitet
Især i forbindelse med urbanisering og trafik kan kunstig intelligens og maskinlæring forbedre bevægelsen af mennesker og produkter. Kunstig intelligens kan f.eks. gøre det lettere at bruge delebiler og førerløse biler, forbedre trafiksikkerheden, sænke brændstofforbruget og emissionerne og optimere trafikflow, ruteføring og parkering.
Intelligent produktion
I forbindelse med industrialisering og innovation kan kunstig intelligens og maskinlæring forbedre produktiviteten og kvaliteten af fremstillingsprocesser og -produkter. Kunstig intelligens kan bruges til at forbedre forsyningskæder og logistik, automatisere og supplere menneskelig arbejdskraft, overvåge og vedligeholde faciliteter og udstyr og fremme affaldsreduktion og den cirkulære økonomi.
Intelligent energi
I hele energiomstillingen og dekarboniseringsprocessen kan kunstig intelligens og maskinlæring især hjælpe med at øge udbuddet og efterspørgslen efter ren og vedvarende energi. Kunstig intelligens kan hjælpe med flere opgaver, såsom at integrere og styre distribuerede energiressourcer, forudse og afbalancere energiproduktion og -forbrug, opdage og forhindre energisvindel og -tab og muliggøre intelligente net og mikronet.
Kunstig intelligens og maskinlæring – potentiale og vanskeligheder for bæredygtighed og sociale goder
Selvom kunstig intelligens og maskinlæring er meget lovende for bæredygtighed og sociale goder, har de også mange farer, som skal overvejes og reduceres. Blandt de vigtigste vanskeligheder og farer er:
Data og privatlivets fred
Store og varierede datasæt er nødvendige for, at kunstig intelligens og maskinlæring kan træne og teste deres modeller, hvilket kan give problemer med datasikkerhed, tilgængelighed, kvalitet og adgang. Desuden kan indsamling og behandling af private og følsomme data ved hjælp af kunstig intelligens og maskinlæring krænke menneskers og gruppers ret til privatliv og samtykke og udsætte dem for mulige risici og misbrug.
Bias og retfærdighed
Kunstig intelligens og maskinlæring har potentiale til at afspejle og forstærke de fordomme, der findes i data, algoritmer og systemer, hvilket kan føre til uretfærdige og diskriminerende resultater og konsekvenser for visse personer og grupper, især de dårligt stillede og marginaliserede. Desuden kan fraværet af gennemsigtighed og ansvarlighed inden for kunstig intelligens og maskinlæring gøre det sværere at identificere og rette op på fordomme og fejl.
Etik og værdier
De sociale og bæredygtige mål, som er baseret på principper som menneskelig værdighed, autonomi, retfærdighed og solidaritet, kan blive draget i tvivl og komme i konflikt med kunstig intelligens og maskinlæring. Desuden kan kunstig intelligens og maskinlæring medføre etiske dilemmaer og afvejninger mellem effektivitet og lighed, innovation og regulering samt kortsigtede og langsigtede interesser.
Miljø og samfund
Utilsigtede og skadelige virkninger af kunstig intelligens og maskinlæring på miljøet og samfundet kan omfatte øget ressource- og energiforbrug, forurening og produktion af elektronisk affald, tab af menneskelig arbejdskraft og færdigheder samt forstyrrelse af institutioner og sociale normer.
En omfattende og samarbejdende tilgang, der involverer en række interessenter og synspunkter, herunder forskere, udviklere, brugere, lovgivere, civilsamfundet og den brede offentlighed, er nødvendig for at håndtere disse risici og udfordringer og for fuldt ud at udnytte kunstig intelligens og maskinlæring til socialt gode og bæredygtighed. Blandt denne strategis væsentlige komponenter er:
Bevidsthed og uddannelse
En større forståelse af mulighederne og begrænsningerne ved kunstig intelligens og maskinlæring i forhold til bæredygtighed og sociale goder samt de etiske og sociale konsekvenser og pligter skal udbredes blandt interessenter og den brede offentlighed. Der er flere måder at gøre det på, bl.a. gennem medierne, kampagner, events og undervisningsplaner.
Inklusion og deltagelse
For at designe, udvikle, implementere og vurdere kunstig intelligens og maskinlæring til gavn for samfundet og bæredygtigheden samt for at overvåge og styre disse teknologier er det afgørende at sikre inddragelse og engagement af en bred vifte af repræsentative og varierede interessenter og samfund. Mange teknikker, herunder samskabelse, høring, feedback og empowerment, kan bruges til at opnå dette.
Innovation og regulering
For at fremme sociale goder og bæredygtighed skal innovation og regulering af kunstig intelligens og maskinlæring afbalanceres med behovet for at koordinere og tilpasse disse teknologier til både nuværende og fremtidige love og regler. Mange værktøjer, herunder rammer, revisioner, regler og incitamenter, kan bruges til at opnå dette.
Evaluering og virkning
For at fremme bæredygtighed og det fælles bedste er det afgørende at vurdere og spore effektiviteten af kunstig intelligens og maskinlæring samt at identificere og reducere eventuelle risici eller negative effekter. Indikatorer, målinger, benchmarks og effektevalueringer er nogle af de instrumenter, der kan bruges til dette.
Som konklusion
Målene om at øge menneskers og miljøets velfærd kan opnås gennem bæredygtighed og sociale goder, som muliggøres af kunstig intelligens og maskinlæring, to potente teknologier. Kunstig intelligens og maskinlæring har potentiale til at forbedre verdens mest presserende problemer betydeligt, herunder fattigdom, sult, sygdom, ulighed og uretfærdighed. De kan også fremme en mere effektiv brug af menneskelige og naturlige ressourcer og mindske de skadelige virkninger af menneskelig aktivitet på miljøet og samfundet.
Data og privatliv, fordomme og retfærdighed, etik og værdier, miljø og samfund er blot nogle få af de alvorlige farer og bekymringer, som kunstig intelligens og maskinlæring fører med sig. Disse problemer skal løses. Det vil kræve en omfattende og samarbejdende tilgang, der involverer en række interessenter og synspunkter, herunder forskere, udviklere, brugere, lovgivere, civilsamfundet og den brede offentlighed, at overvinde disse forhindringer og farer og fuldt ud udnytte potentialet og fordelene ved kunstig intelligens og maskinlæring til socialt gode og bæredygtighed. Uddannelse og bevidsthed, engagement og inklusion, innovation og regulering, vurdering og effekt er alle vigtige komponenter i denne strategi.
