Trustworthy AI: AI developers’ lens to implementation challenges and opportunities
Notice bibliographique
Résumé
As organizations continue to embrace the use of artificial intelligence (AI) systems, it is crucial to ensure that these AI systems can be trusted. However, there is still a significant gap between research on trustworthy AI and its implementation in real-world applications. To address this issue, we sought to explore the perspectives of AI developers and the challenges they face in creating trustworthy AI systems. This exploratory study involved conducting interviews with 19 AI developers. We identified key challenges faced by AI developers due to the immature state of trustworthy AI, inconsistent global regulatory landscape, a lack of standardized definitions of key concepts, limited tools and standards for practical implementation in organizations. This paper provides recommendations for organizations to invest in trustworthy AI processes and practices, this includes building a foundation for trustworthy AI specific to their organization, adopting an organizational approach to trustworthy AI culture, and providing proper data infrastructures to support AI developers in creating trustworthy AI systems. By investing in trustworthy AI practices, organizations can prepare for evolving regulations and ensure that their AI systems are reliable and trustworthy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,066 | 0,087 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,014 | 0,071 |
| Communication savante | 0,025 | 0,029 |
| Science ouverte | 0,004 | 0,015 |
| Intégrité de la recherche | 0,012 | 0,016 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».