| Abstract : | Οι ανησυχίες για τις ηθικές πτυχές της τεχνητής νοημοσύνης και άλλων αλγοριθμικών τεχνολογιών έχουν επιφέρει εκτεταμένη έρευνα, με επιστήμονες να αναζητούν τρόπους εξάλειψης των προκαταλήψεων και αντιμετώπισης των ηθικών διλημμάτων. Σε απάντηση σε αυτή την αυξανόμενη επικέντρωση στην ηθική, ορισμένες μεγάλες τεχνολογικές εταιρείες δημιούργησαν επιτροπές ή συμβούλια για την ηθική, ενώ κοινωνικά μέσα όπως το Facebook ξεκίνησαν πρωτοβουλίες αυτορρύθμισης. Οι διαφορετικές προσεγγίσεις αποτυπώνουν την πολυπλοκότητα του ζητήματος, με τον δρόμο προς την εύρεση ισορροπίας μεταξύ καινοτομίας και ηθικής να είναι μακρύς και περίπλοκος. Η εφαρμογή αλγορίθμων μπορεί να οδηγήσει σε αξιολογήσεις αποτελεσμάτων σε διάφορους τομείς, με μοντέλα όπως τα νευρωνικά δίκτυα να παρέχουν αυτοματοποιημένες λύσεις για την αξιολόγηση.Στην περίπτωση μας αναπτύχθηκε ένας προτεινόμενος αλγόριθμος προσλήψεων που βασίζεται σε ιστορικά δεδομένα και αξιόπιστους αξιολογητές όσον αφορά την ηθικότητα των αποτελεσμάτων. Για την αξιολόγηση της ηθικότητας χρησιμοποιήθηκε κατάλληλο νευρωνικό δίκτυο όπου το αποτέλεσμά του δίνει ένα κλάσμα ηθικότητας. Ο βαθμός ηθικότητας του αλγορίθμου δίνει τιμή από 0 έως 1, όπου η τιμή 1 σημαίνει ότι ή μέθοδος προσλήψεων είναι απόλυτα ηθική ενώ η τιμή 0 απόλυτα μη ηθική. Μια αποδεκτή κατάσταση θεωρείται αυτή που δίνει τιμή βαθμού ηθικότητας μεγαλύτερη του 0,7 (70%). Η χρήση τέτοιων αλγορίθμων αποτελεί κρίσιμο βήμα προς τη διασφάλιση διαφάνειας και δικαιοσύνης στις πρακτικές πρόσληψης, παρέχοντας παράλληλα ένα αξιόπιστο εργαλείο για την αντιμετώπιση των ηθικών προκλήσεων στον τομέα της ανθρώπινης διαχείρισης.
Concerns about the ethical aspects of artificial intelligence and other algorithmic technologies have generated extensive research, with scientists looking for ways to eliminate biases and address ethical dilemmas. In response to this growing focus on ethics, some major tech companies have created ethics committees or boards, while social media platforms like Facebook have launched self-regulatory initiatives. The different approaches reflect the complexity of the issue, with the road to finding a balance between innovation and ethics being long and complicated. The application of algorithms can lead to outcome assessments in various domains, with models such as neural networks providing automated solutions for evaluation.In our case, a proposed recruitment algorithm was developed based on historical data and reliable evaluators concerning the ethics of the results. For the evaluation of ethicality, a suitable neural network was used, where the result provides an ethicality fraction. The degree of ethicality of the algorithm ranges from 0 to 1, with a value of 1 meaning that the recruitment method is completely ethical and a value of 0 meaning it is completely unethical. An acceptable method is considered one that gives an ethical fraction greater than 0.7 (70%).The use of such algorithms is a critical step towards ensuring transparency and fairness in hiring practices, while also providing a reliable tool for addressing ethical challenges in the field of human resource management.
|
|---|
Copyright © 2013 Library AUEB. All rights reserved.