16.01.2023 11:22 PM

AI for good: Wie Unternehmen die Macht der KI für positiven Impact benutzen können

Eventuell hast du schon von Unternehmen wie OpenAIArize AIClari oder Databricks oder von Tools wie DALL-E oder ChatGPT gehört. All diese Unternehmen haben drei Dinge gemeinsam: schnelles Wachstum, hohe Bewertung und ein Kerngeschäft, das sich um Künstliche Intelligenz (KI) dreht. KI schafft extrem viele neue Unternehmen und ermöglicht ein großes Wachstum, dass Forbes eine Liste mit den innovativsten und am schnellsten wachsenden KI-Unternehmen erstellt hat: AI 50 – Companies to watch! Wie auf den Märkten bereits beobachten können, findet KI immer mehr Verwendung, insbesondere bei Hightech-Unternehmen.

Aber was ist mit dem Rest? Wie sieht es mit kleineren, lokalen und sogar mittelständischen Unternehmen aus? Was sind die Herausforderungen beim Einsatz von KI? Wie können diese Unternehmen KI auf ethische, aber dennoch leistungsorientierte Weise einsetzen? In diesem Artikel werden all diese Fragen und noch viele mehr beantwortet. Da dieser insights-Beitrag auf unserer Einführung in die KI aufbaut, lohnt es sich, einen Blick in unsere ersten KI-Artikel zu werfen, falls du diesen noch nicht gelesen hast oder das Thema der künstlichen Intelligenz insgesamt neu für dich ist.

Momentaufnahme der KI-Landschaft in Deutschland

Als die am schnellsten wachsende Form der datengesteuerten Technologie nimmt KI schon heute große Auswirkungen auf das Wirtschaftsleben, indem sie zunehmend autonomes Arbeiten ermöglicht und somit ganze Branchen transformieren kann. Die Einführung von KI ist in den vergangenen Jahren sprunghaft angestiegen. 86 % der Unternehmen sehen sie bereits 2021 als Mainstream-Technologie an. Marktanalysen und -einblicke in Echtzeit, visuelle Unterstützung und die sofortige Bewertung zahlreicher Alternativen sind nur einige der vielen unübertroffenen Funktionen, die KI bietet, wenn es um die Umgestaltung von Arbeitsabläufen und sogar die Umstrukturierung ganzer Wertschöpfungsketten geht.

Die rasante technologische Entwicklung und der kontinuierliche Wandel hin zur vollständigen Digitalisierung sind zwei der wichtigsten Faktoren, die die globale Arbeitswelt verändern. In einigen Ländern scheinen die Auswirkungen des fortgeschrittenen Machine Learning und der KI als Teil dieses Wandels besonders groß zu sein. In Deutschland beispielsweise nutzen fast 23 % aller Industrieunternehmen KI, was einen weiteren Schritt in Richtung der aufkommenden Industrie 4.0-Technologien darstellt. Es liegt auf der Hand, dass KI in Verbindung mit Big Data und Analytics eine starke Welle des Wandels darstellt, die sich auf verschiedene deutsche Branchen auswirkt. Für 2023 und darüber hinaus wird prognostiziert, dass sich dieser kollektive Wandel in der heimischen Unternehmenslandschaft durch verbesserte operative Strategien und fortschrittliche Fähigkeiten, die durch KI eingeführt werden, weiter verändern und beschleunigen wird. ChatGPT, weitere KI-Anwendungen und Fortschritte im Quantum Computing sind nur die ersten Schritte!

Es wird prognostiziert, dass KI-Lösungen Deutschland bis 2030 zu einem Wirtschaftswachstum von 430 Milliarden Euro verhelfen werden, was einem Anstieg des BIP des Landes um 11,3 % im Vergleich zu 2019 entspricht. Als Europas größte Volkswirtschaft mit einem florierenden KI-Markt ist Deutschland die führende Nation hinter dem größten Innovationszentrum der EU, dem UnternehmerTUM. Als Teil dieser gemeinnützigen, neutralen Plattform für Entrepreneure und Innovationen ist appliedAI Deutschlands größte Initiative für die Anwendung vertrauenswürdiger KI-Technologie mit dem Ziel, das ganze Land ins KI-Zeitalter zu führen. Um mehr Licht auf die KI-Startups in Europa zu werfen, hat appliedAI die jährliche deutsche KI-Startup-Landschaft ins Leben gerufen. Wir haben uns die Grafik der Initiative zu Herzen genommen und eine simplifizierte Version erstellt, um dir einen ersten Einblick in deutsche KI-Technologien zu ermöglichen.

Der steinige Weg zur Einführung der KI

Laut dem Global Artificial Intelligence Report hat die KI das Potenzial, bis 2030 bis zu 15,7 Billionen Dollar zur Weltwirtschaft beizutragen. Angesichts der Gesamtauswirkungen von 2,5 Billionen Dollar allein in Europa scheint die Rendite, die mit der Einführung großangelegter KI-Projekte verbunden ist, eindeutig positiv. Unabhängig davon, ob sich Unternehmen für umfangreiche Projekte oder einen gezielteren Ansatz entscheiden, gilt: Es ist wichtig, eher früher als später in KI zu investieren, um Fachwissen aus erster Hand und einen strategischen Vorteil zu erlangen, während die Technologie weiter vorangetrieben und entwickelt wird. Obwohl die Bedeutung von KI für die zukünftigen Industrien extrem groß ist, müssen Unternehmen bei ihren Überlegungen, wie sie daraus Kapital schlagen können, auf einige Herausforderungen achten, die eine erfolgreiche KI-Einführung sonst erschweren könnte. Ein Überblick über die häufigsten Challenges bei der Adoption von AI findest du in der Grafik hier. Im Folgenden werden wir einige der Punkte genauer analysieren.

Ⅰ. Datenqualität und Tech Stack

Die erfolgreiche Einführung von KI-Modellen erfordert qualitativ hochwertige Daten, doch die meisten Tech-Führungskräfte sehen in der Erstellung und Verwaltung der Datensätze den größten Stolperstein. Während die Open-Source-Datensätze für die Durchführung von Versuchen ausreichen mögen, erfordern die voll funktionsfähigen Lösungen saubere und organisierte Daten, um strategische Ziele effektiver zu erreichen. Jede KI-Anwendung ist nur so intelligent und effizient wie die Informationen, mit denen sie gefüttert wurde.

Ein Beispiel dafür, dass die Datenqualität die Qualität des gesamten KI-Systems beeinflusst, konnte 2018 bei Amazon im Recruiting beobachtet werden. Das KI-System wurde anhand von Lebensläufen trainiert, die dem Unternehmen in den vergangenen zehn Jahren vorgelegt wurden und die überwiegend von Männern stammten. Infolgedessen stufte der Algorithmus Lebensläufe herab, die bestimmte Wörter und Ausdrücke enthielten, die mit Frauen in Verbindung gebracht wurden, wie „Frauen“ oder „weiblich“.

Bei irrelevanten oder ungenau gekennzeichneten Datensätzen werden die Fähigkeiten der Anwendung beschränkt. Ein weiterer Grund für mangelnde Datenqualität ist die Tendenz von Organisationen, übermäßig viele Daten zu sammeln. In den vergangenen Jahren ging der Trend dazu, einfach so viele Daten wie möglich zu sammeln, ohne diese ordentlich zu kategorisieren. In diesem Fall ist der Datenverfall ein häufig zu beobachtendes Ergebnis, das aus der Anhäufung von Inkonsistenzen und Redundanzen resultiert. Eine mögliche Lösung, um Unternehmen den Zugang zu qualitativ hochwertigen Daten zu erleichtern, sind Verfahren wie manuelle Kennzeichnung, Labeling und Bereinigung. Um die Datenqualität zu verbessern, wird empfohlen, den Erfassungsprozess zu rationalisieren und die Struktur aller Datenverwaltungsprozesse zu standardisieren. Die Aufgabe ist es nicht, so viele Daten wie möglich zu sammeln, sondern die qualitativ hochwertigsten!

Ⅱ. Governance

  • Data governance
    Sowohl die Qualität als auch die Pflegbarkeit von Daten sind entscheidende Aspekte der Datenverwaltung. Mit den wachsenden Bedenken hinsichtlich der Transparenz und des Datenschutzes, die durch die Datenerfassung entstehen, kommen weitere Faktoren ins Spiel. Um diesen Bedenken zu begegnen, müssen Unternehmen sicherstellen, dass sie ihre KI-Algorithmen überwachen und einschränken können, da diese in allen Phasen, einschließlich Datenextraktion, -verarbeitung, -nutzung und -speicherung, ordnungsgemäß verwaltet werden müssen. Und schon heute der regulatorische Druck auf Unternehmen wächst – mehr dazu folgt noch in diesem Artikel!

 

  •  Cybersecurity
    Angesichts der zunehmenden Cyberkriminalität ist es wichtiger denn je, die mit der Implementierung von KI verbundenen Risiken zu berücksichtigen und zu vermeiden. Die Datenerfassung im Rahmen von KI-Anwendungen ist sehr anfällig für Verstöße. Um die Auswirkungen von Datenschutzverletzungen abzuschwächen und die Sicherheit der Nutzer:innendaten zu gewährleisten, ist die Netzwerksegmentierung der Schlüssel. Netzwerksegmentierung ist eine Technik, die ein Netzwerk in kleinere, getrennte Teilnetzwerke unterteilt, von denen jedes über einen eigenen Satz von Sicherheitskontrollen und -diensten verfügt. So kann ein großer Datenschutzverstoß vermieden werden.

 

  •  Einhaltung von Rechtsvorschriften
    Da sich immer mehr Menschen Gedanken darüber machen, wie Unternehmen auf ihre vertraulichen Informationen zugreifen und diese nutzen, können transparente Richtlinien zur Datenerfassung auch dazu beitragen, das mit KI verbundene Misstrauen zu verringern. Rechtliche Vorschriften gewinnen zunehmend an Bedeutung, wenn es um die Risiken im Zusammenhang mit KI und anderen datenzentrierten Operationen geht. Da dieses Thema für die Nutzer:innen zunehmend an Bedeutung gewinnt, müssen Unternehmen, die KI-Technologien einsetzen, ihren Ansatz in Bezug auf Compliance-Richtlinien und andere Vorschriften überprüfen. Die Einhaltung dieser Beschränkungen ist insbesondere für Organisationen relevant, die in stark regulierten Branchen wie dem Finanz- und Gesundheitswesen tätig sind.

 

Ende 2022 legten die EU-Minister ihren Standpunkt zum „AI Act“ vor, dem geplanten EU-Gesetz zur Regulierung der künstlichen Intelligenz. Der Ansatz der EU im Bereich der künstlichen Intelligenz setzt auf Exzellenz und Vertrauen, um die Forschungs- und Industriekapazitäten zu stärken und die Grundrechte zu gewährleisten. Allerdings wird der Vorschlag von KI- und Ethik-Expert:innen bereits kritisch diskutiert.

Ⅲ. Vorbereitung der Arbeitskräfte & Qualifikationsdefizit

Damit KI ihre volle Effektivität entfalten kann, sind die richtigen Fähigkeiten erforderlich. Laut einer Umfrage geben jedoch 73 % der Unternehmen an, dass sie Schwierigkeiten haben, ihre Mitarbeiter:innen auf eine reibungslose KI-Integration vorzubereiten und interne Fähigkeiten zu erweitern. Ein Haupthindernis in dieser Phase des digitalen Transformationsprozesses ist die KI-Kompetenzlücke. In der Anfangsphase der KI-Einführung scheinen viele Unternehmen zu zögern, erfahrene Fachleute wie Machine Learning Developer und Datenspezialisten anzuwerben, da dies eine anspruchsvolle und auch teure Maßnahme bedeutet. Die Skalierung eines Datenteams ist jedoch ein entscheidender Schritt beim Aufbau des KI-Modells und erfordert technisches Fachwissen, das intern möglicherweise nicht vorhanden ist. Selbst wenn ein gewisses Maß an internem Fachwissen vorhanden ist, stellt ein Mangel an Erfahrung mit KI-basierter Technologie ein potenzielles Risiko dar, das die Realisierung des vollen Werts, den KI-Modelle für Unternehmen bieten können, behindern könnte. So werden die meisten Unternehmen unumgänglich in Fachpersonal investieren müssen und gleichzeitig die Löhne für Expert:innen noch weiter ansteigen.

Welche interne Wertschöpfung KI ermöglicht, wird vor allem in den vergangenen Tagen immer deutlicher! Wir alle können das starke wirtschaftliche Potenzial für die KI-Unternehmen selbst erkennen. Das Unternehmen, das ChatGPT entwickelt, OpenAI, strebt zum Zeitpunkt der Verfassung dieses Artikels eine Bewertung von 30 Milliarden Dollar an! Um den Übergang zu KI-optimierten Arbeitsabläufen so nahtlos wie möglich zu gestalten, wäre es am besten, sich zunächst darauf zu konzentrieren, die für jedes einzelne strategische Ziel erforderlichen Fähigkeiten zu isolieren. Um die digitale Weiterbildung weiter voranzutreiben, könnte die Suche nach einem kompetenten Partner, der ein Team von Spezialist:innen zur Verfügung stellen könnte, eine kostspielige, aber äußerst wertvolle Investition in die KI-Transformation des Unternehmens sein. Die richtigen Spezialist:innen würden sowohl bei der Schulung der aktuellen Teams helfen, um den Fachkräftemangel auszugleichen, als auch die technischen Fallstricke der KI-Implementierung angehen, wie  ineffiziente Prozesse, mangelnde Datenqualität und Integrationsprobleme.

Neosfer take zu AI

Klar, momentan sehen ChatGPT & Co. wie nette Spielereien aus. Aber es ist nicht viel Vorstellungskraft nötig, um sich die transformativen Auswirkungen  vorzustellen, die derartige Tools für bestimmte Branchen haben können (z. B.  Journalismus). Und es wäre auch nicht die erste große Innovation, die zu Beginn wie  ein Spielzeug aussah.

Wenn man einmal kritisch darüber nachdenkt, sind ChatGPT & Co. (vereinfacht gesagt)  logische Fortsetzungen bereits bestehender Alltagshelfer. Zuerst haben es uns z. B. Taschenrechner erleichtert, schwierige Kalkulationen durchzuführen. Dann kamen DeepL und weitere Tool, um  uns langwierige Übersetzungsarbeit abzunehmen. Jetzt  folgen ChatGPT & Co. und vereinfachen z. B. die Erstellung von Social Media Posts, Artikel, teilweise sogar von wirtschaftlichen Arbeiten oder Präsentationen.

Klar, der Hype momentan ist groß, aber auch im Bereich Financial Service können KI Assistenten wie ChatGPT & Co. Auswirkungen haben. Use Cases könnten z. B. die vereinfachte Erstellung von komplexen Verträgen sein, naheliegenderweise die Verbesserung des Kundenservices durch “schlauere” Chat-Bots oder eine Unterstützung bei der Suche nach Investment-Entscheidungen. Was man bei alledem nicht vergessen darf: Banken arbeiten natürlich bereits mit bzw. an ML-Systemen, jedoch sind dort häufig Kundendaten involviert, was das Ganze aus regulatorischer Perspektive komplexer macht. Da hat es ChatGPT mit aus dem Internet gebündelten Daten wesentlich einfacher.

Mehr dazu, welche Auswirkungen ChatGPT & Co. auf Financial Services haben könnten, erfahrt ihr demnächst auch in einer Podcast-Folge oder beim kommenden Between the Towers Event.

Ethische KI in Zukunft umsetzen

Obwohl der Einsatz von KI anscheinend immer weiter zunimmt, scheitern viele Unternehmen daran, ihr erhebliches Potenzial vollständig und ohne Stolpersteine auszuschöpfen. Reports zeigen, dass die meisten KI-Projekte nicht über ihre Pilotphase hinauskommen, was nicht immer nur an schlechten Ideen liegt. Während wir uns bereits mit verschiedenen potenziellen Gefahren befasst haben, die die Realisierung des Mehrwerts von KI behindern könnten, ist eine weitere allgemeine Herausforderung, die den Fortschritt einer erfolgreichen KI-Implementierung behindert, das Fehlen einer unternehmensspezifischen KI-Strategie.

Der Rahmen für eine ganzheitliche KI-Strategie, der in der folgenden Grafik dargestellt ist, bietet eine Methodik für die Integration von KI in die Unternehmensstrategie und vermeidet gleichzeitig die vielen Fallen und Herausforderungen, die im vorherigen Abschnitt angesprochen wurden.

1. Unternehmensstrategie & KI-Strategie

Bei der Bewertung von KI als Technologie für die digitale Transformation eines Unternehmens besteht die Tendenz, sich eher auf die technische Forschung als auf die geschäftsstrategische Entwicklung zu konzentrieren. Studien deuten darauf hin, dass Unternehmen, denen es gelingt, ihre Strategie der Anwendungsfälle für KI mit dem Gesamtbild ihrer Unternehmensstrategie in Einklang zu bringen, offenbar erfolgreicher bei der Schaffung von KI-Mehrwerten sind.

Bevor KI als Teil der Unternehmensstrategie implementiert wird, müssen einige Fragen geklärt werden, wie der Gesamtwertbeitrag am besten maximiert werden kann. Zu den wichtigsten Überlegungen gehören a) die Bewertung der Auswirkungen der KI-Einführung auf die Kernkompetenzen eines Unternehmens sowie b) die Ausarbeitung der neuen potenziellen Kompetenzen, die dadurch geschaffen werden sollten. Ebenso ist es wichtig, c) das Hauptziel der Einführung der KI-Strategie im Hinblick auf ihre Auswirkungen auf Wachstum, Rentabilität oder Risikominimierung zu definieren. Insgesamt sollte bei der Entwicklung des KI-Ansatzes das langfristige Ziel der Implementierung und die Auswirkung auf alle Geschäftsfelder im Vordergrund stehen und im Wesentlichen mit der Unternehmensstrategie verknüpft werden.

2. Typische KI-Anwendungsfälle

Das Framework zeigt, dass sich die nächste Phase des strategischen KI-Modells auf die Zusammenstellung einer Ansammlung von prototypischen KI-Anwendungen konzentrieren wird. Dieses Element des Modells muss für eine kontinuierliche Entwicklung offen sein, da der technologische Fortschritt die Vielfalt von Applikationsmöglichkeiten fördert und ständige Ergänzungen denkbar sind. Da jeder Anwendungsfall in Bezug auf die KI-Fähigkeiten und die Synergie der Technologien einzigartig ist, wird davon ausgegangen, dass jeder Anwendungsfall von mehreren Variablen abhängt. In erster Linie muss ein Unternehmen definieren, welche Art von KI für den jeweiligen Anwendungsfall geeignet ist.

Um diese Frage zu beantworten, müssen die gewünschte Hauptfunktion in Bezug auf Bewertung, Schlussfolgerung oder Reaktion berücksichtigen.

Im Klartext heißt das, dass in diesem Stadium entschieden werden sollte, ob das Ziel der KI-Anwendung darin besteht, menschliches Verhalten zu imitieren oder eine eigene Form der Rationalität zu entwickeln. Um die Sammlung von Anwendungsfällen weiter in spezifischere Cluster aufzugliedern, sind zusätzliche Faktoren wie die Art der Wertschöpfung, die angegangenen Probleme und die Anforderungen an die Infrastruktur zu berücksichtigen. Was die Ressourcen betrifft, so müssen Faktoren wie Zeit, Kapazität und Skalierbarkeit bewertet werden, um eine relevante Vorauswahl von Anwendungsfällen zu treffen, die realistisch umsetzbar sind.

Insgesamt wird empfohlen, diese Phase der KI-Implementierung mit dem Gedanken der Vernetzung verschiedener Kompetenzen und Geschäftsfelder anzugehen, um die Ausrichtung auf die Unternehmensstrategie wiederherzustellen. Hier wird klar der Bogen zu Unternehmensstrategie geschlagen und mögliche Synergien, Abhängigkeiten, Ausschlüsse und Redundanzen beurteilt.

3. Die KI-Architektur

Die Durchführung des digitalen Architekturmanagements für die KI-Infrastruktur erfolgt in einigen wesentlichen Schritten.

Eine Status-quo-Analyse sollte einer dieser ersten Schritte sein und umfasst in der Regel einen Überblick über die bestehende technologische Infrastruktur und Datenumgebung.

Im nächsten Schritt kann die KI-Infrastruktur in allgemeinere Ansichten unterteilt werden, wobei sich jede dieser Ansichten aus mehreren Gestaltungsfeldern zusammensetzt. Einige Gestaltungsfelder könnten beispielsweise Cybersicherheit, Ethik und Recht, Organisationsstruktur und Datenverwaltung umfassen. Diese Gestaltungsfelder korrelieren mit den zuvor erwähnten Clustern von KI-Anwendungsfällen und erfordern die Durchführung einer umfassenden Wert- und Kostenanalyse. Durch die Berücksichtigung all dieser Informationen sollte eine Organisation in der Lage sein, eine konstruktive Entscheidung über die Auswahl ihrer KI-Anwendungen zu treffen.

Der letzte Schritt des KI-Infrastrukturmanagements bezieht sich auf die Anpassung und Priorisierung der definierten Anwendungsfall-Cluster, die einem Unternehmen dabei helfen, eine klare Roadmap für die KI-Implementierung zu erstellen. Und ganz wichtig: ein erstes konkretes Projekt für die Adoption einer KI-Anwendung auszuwählen!

4. Ethische Gesichtspunkte

Ethische Überlegungen sind wichtig für die künftige Entwicklung von KI! Wie wir es im vorherigen Abschnitt schon benannt haben, können ethische Aspekte ein wichtiger Teil in der Entwicklung einer KI-Strategie darstellen. In unserem Rahmenwerk werden ethische Überlegungen nicht hinter rein technischen oder geschäftlichen Aspekten der Entwicklungsstrategie zurückgestellt. Vielmehr wird KI-Ethik als letzter Check für die gesamte Roadmap gesehen und vervollständigen unseren ganzheitlichen Rahmen für die tatsächliche Entwicklung ethischer und gleichzeitig Wert-kreierenden KI.

Die fünf Prinzipien ethischer KI

Für die Entwicklung von Technologien und Methoden, die eine erfolgreiche Einführung von KI ermöglichen, ist es unerlässlich, die ethischen Grundsätze und die Komponenten einer vertrauenswürdigen KI im Auge zu behalten. Um den Weg zu ethischen und vertrauenswürdigen KI-Anwendungen zu ebnen, hat die Europäische Kommission 2018 die High-Level Expert Group on Artificial Intelligence (HLEG) eingesetzt. Die Expertengruppe hat fünf ethische Grundsätze aufgestellt, denen ein ethisches und vertrauenswürdiges KI-System folgen und von denen es sich leiten lassen sollte.

1. Prinzip der Wohltätigkeit

Erstens gibt es den Grundsatz der Wohltätigkeit, der besagt, dass das KI-System Gutes tun sollte. Die HLEG schlägt vor, dass das System entwickelt und gestaltet werden sollte, um das individuelle und kollektive Wohlbefinden zu verbessern, indem es zu einem höheren Ziel beiträgt, z. B. zur Erreichung der UN-Ziele für nachhaltige Entwicklung, die eine ethische und nachhaltige Zukunft fördern.

2. Prinzip der Nicht-Malefizierung

Das zweite Prinzip ist das Prinzip der Nicht-Malefizierung, das sich auf den Aspekt konzentriert, dass ein KI-System die Würde, die Freiheit, die Privatsphäre, die Sicherheit und den Schutz aller Nutzer:innen und auch aller Teile der Gesellschaft schützen sollte. Dieser Grundsatz spiegelt die Idee der sozialen Gerechtigkeit für alle Teile der Gesellschaft wider.

3. Prinzip der Autonomie

Als drittes Prinzip nennt die HLEG das Prinzip der Autonomie. Demnach müssen Menschen, die mit KI interagieren, die volle Selbstbestimmung behalten, wenn sie mit KI in Kontakt kommen. Es sollte eine Opt-In- oder Opt-Out-Option geben, wenn du mit KI in Kontakt kommst.

4. Prinzip der Gerechtigkeit

Das Prinzip der Gerechtigkeit ist der vierte Grundsatz, den die HLEG aufführt. Wenn ein KI-System gerecht ist, stellt es sicher, dass Einzelpersonen und Minderheitengruppen frei von Vorurteilen und Diskriminierung bleiben. Außerdem sollten die positiven und negativen Ergebnisse der KI gleichmäßig auf verschiedene Teile der Gesellschaft verteilt werden.

5. Prinzip der Explizierbarkeit

Das fünfte und letzte Prinzip ist das Prinzip der Explizierbarkeit, und es spricht von Transparenz als Schlüssel zum Aufbau von Vertrauen in ein KI-System. Transparenz bedeutet, dass das KI-System überprüfbar, verständlich und für den Menschen nachvollziehbar sein muss.

Unsere Quellen für dein Wissen

Adadi, A., & Berrada, M. (2018). Peeking Inside the Black-Box: A Survey on Explainable
Artificial Intelligence (XAI). IEEE Access, 6, 52138–52160.
https://doi.org/10.1109/access.2018.2870052

 

Bareis, J., & Katzenbach, C. (2021). Talking AI into Being: The Narratives and Imaginaries
of National AI Strategies and Their Performative Politics. Science, Technology,
&Amp; Human Values, 47(5), 855–881. https://doi.org/10.1177/01622439211030007

 

Cubric, M. (2020). Drivers, barriers and social considerations for AI adoption in business and
management: A tertiary study. Technology in Society, 62, 101257.
https://doi.org/10.1016/j.techsoc.2020.101257

 

Eitel-Porter, R. (2020). Beyond the promise: implementing ethical AI. AI And Ethics, 1(1),
73–80. https://doi.org/10.1007/s43681-020-00011-6

 

Floridi, L., & Cowls, J. (2019). A Unified Framework of Five Principles for AI in Society.
Issue 1. https://doi.org/10.1162/99608f92.8cd550d1

 

Floridi, L., Cowls, J., Beltrametti, M., Chatila, R., Chazerand, P., Dignum, V., Luetge, C.,
Madelin, R., Pagallo, U., Rossi, F., Schafer, B., Valcke, P., & Vayena, E. (2018).
AI4People—An Ethical Framework for a Good AI Society: Opportunities, Risks,
Principles, and Recommendations. Minds and Machines, 28(4), 689–707.
https://doi.org/10.1007/s11023-018-9482-5

 

Henry, K. E., Kornfield, R., Sridharan, A., Linton, R. C., Groh, C., Wang, T., Wu, A., Mutlu,
B., & Saria, S. (2022). Human–machine teaming is key to AI adoption: clinicians’
experiences with a deployed machine learning system. Npj Digital Medicine, 5(1).
https://doi.org/10.1038/s41746-022-00597-7

 

Kruhse-Lehtonen, U., & Hofmann, D. (2020). How to Define and Execute Your Data and AI
Strategy. Harvard Data Science Review. https://doi.org/10.1162/99608f92.a010feeb

 

Mittelstadt, B. (2019). Principles alone cannot guarantee ethical AI. Nature Machine
Intelligence1(11), 501–507. https://doi.org/10.1038/s42256-019-0114-4

 

O’Sullivan, S., Nevejans, N., Allen, C., Blyth, A., Leonard, S., Pagallo, U., Holzinger, K.,
Holzinger, A., Sajid, M. I., & Ashrafian, H. (2019). Legal, regulatory, and ethical
frameworks for development of standards in artificial intelligence (AI) and
autonomous robotic surgery. The International Journal of Medical Robotics and
Computer Assisted Surgery15(1), e1968. https://doi.org/10.1002/rcs.1968

 

Rodgers, P., & Levine, J. (2014). An investigation into 2048 AI strategies. 2014 IEEE
Conference on Computational Intelligence and Games.
https://doi.org/10.1109/cig.2014.6932920

 

Saha, S., Gan, Z., Cheng, L., Gao, J., Kafka, O. L., Xie, X., Li, H., Tajdari, M., Kim, H. A.,
& Liu, W. K. (2021). Hierarchical Deep Learning Neural Network (HiDeNN): An
artificial intelligence (AI) framework for computational science and engineering.
Computer Methods in Applied Mechanics and Engineering373, 113452.
https://doi.org/10.1016/j.cma.2020.113452

 

Sun, T. Q., & Medaglia, R. (2019). Mapping the challenges of Artificial Intelligence in the
public sector: Evidence from public healthcare. Government Information Quarterly,
36(2), 368–383. https://doi.org/10.1016/j.giq.2018.09.008