人们越来越依赖计算机来做出涉及数十亿美元股票交易的关键业务决策，以及做出关于工业流程、系统运营等的决策。

将人员排除在决策黑客过程之外可能适用于基本的自动化，例如冲压出数千个相同的圆铁圈的模切机或自动将数据从一个字段移动到另一个字段的应用程序。但是对于范围广泛的其他重要决策，仍然没有确定如何将人性、道德和价值观等方面编程到机器中。

这是仍然需要发展进步的地方，以保持人工智能中存在人为控制因素，这是当务之急。

在健康的数据架构中，数据在其整个生命周期中被输入算法，不断地通知和制定决策。其目标是始终确保获得最佳结果，即使一些因素发生变化。但这些算法得出的结果只与输入的数据一样好。

退一步来说，确保有人对数据的准确性、可靠性、完整性、机密性负责，确保在企业的自主决策过程中始终存在人情味。这将实现符合企业价值观的自动化，确保最佳结果，最重要的是保持了产生这些结果的机器的公平性。

以下是依靠数据驱动自动化技术进行关键决策的企业在决策过程中保持人性化的三个步骤：

（1）确保数据质量

随着数据在系统中移动、被访问、更新并与其他记录结合，初始条目中存在的任何问题或错误都将恶化。为了防止这种情况发生，企业底层数据结构的结构都必须嵌入以人为主导的数据质量检查。这样做不仅是为了在数据被摄取时检测和纠正错误，而且还必须在数据被访问和使用时持续监控数据。这将捕捉到一系列可能导致灾难性数据泄露的潜在危险——从错误的数据输入和重复记录到错误标记的字段。

（2）让所有人都可以访问数据

确保所有正确的人员和应用程序都可以访问正确的数据至关重要。如果算法只处理一小部分相关数据，它将产生错误或有偏差的结果。因此，依赖于这些结果的报告和分析，以及基于这些结果做出的决定，同样存在缺陷。健康的数据架构不会人为地限制数据消耗。与其相反，它需要确保将所有可用的相关数据输入决策计算。与此同时，它为所有用户提供该数据的可见性。

（3）优先考虑安全性和合规性

算法可能不关心给定的数据集或记录是否包含个人身份信息，但数据泄露对企业来说可能是一场灾难，对客户来说可能是一场可怕的考验。每家企业都需要有清晰明确、可靠记录、定期更新和一致执行的政策和协议，以保护敏感数据和确保合规性。需要定期审核这些政策的是人类，而不是机器。

以人为本

在现实世界中使用以人为本的模型来确保数据的机密性是很容易想象的。

例如一家公司维护着两个不同的数据集，其中包含有关同一组人员的信息。第一组列出了数以万计的人名，第二组包含相似数量的住宅地址和地区学校。

单独查看这两个数据集时，对隐私的威胁很小。但是，当运行自动算法将它们关联起来并生成有价值的联系记录时，情况就发生了变化。这可以在几秒钟内完成，而人工完成则需要大量的时间。

人工智能可以极大地帮助减少处理数据的工作，但如果没有适当的人工监督结果或访问方式和访问者，它可能会导致前所未有的隐私和安全漏洞。

数据治理系统需要足够的人工干预来确保数据质量，同时让所有人都可以访问数据，同时它优先考虑安全性和合规性，允许企业和用户补偿和纠正机器的局限性。数据质量、完整性和可访问性对于当今的数据驱动型业务决策而言已经至关重要。随着人工智能和自动化在人们的日常生活中变得越来越普遍，这三个方面将变得越来越重要。

参考文章链接：https://www.enterpriseai.news/2022/01/28/the-importance-of-humanized-autonomous-decision-making-in-ai/