什么是以人为本的人工智能？

以人为本的人工智能（HCAI）旨在增强和提升业务工作流程中人类现有的能力。要实现企业级 AI 的成功，AI 系统应与以人为核心的更大系统协同共存。以人为本的 AI 通过人类的输入与协作进行学习，在提供高效体验的同时不断自我完善。它不会取代人类，而是在尊重隐私的同时保留人类的控制权。以人为本的 AI 以透明方式运行，并能为所有用户提供公平公正的结果。

传统的机器学习侧重于通过高度自动化任务来提高效率。通过使用机器学习算法，AI 工具可以实现特定任务的自动化，从而减少对人工干预的需求。

以人为本的 AI 则不同，它的目标是通过增强人类能力来优化人类的工作流程。以人为本的 AI 并非要在流程中取代人类，而是旨在通过提升人类在特定时间内的产出能力，与人类形成互补。

以人为本的 AI 遵循四大核心原则。

以人为本的开发

以人为本的 AI 专注于为人类提供实用价值。它是由人类开发并服务于人类的工具。它将个人用户的利益及其权利与自由置于企业利润之上。在可能的情况下，以人为本的 AI 致力于通过增强或简化任务，帮助人类达到更高的生产力水平。

可访问性

以人为本的人工智能应用面向所有人开放，特别是那些社会中最需要这些应用的人群。例如，以人为本的 AI 能让残障人士或边缘化群体更轻松地完成各项任务。

透明度

以人为本的 AI 具有高度透明性，并提供清晰的文档，说明如何使用该 AI、它能提供什么功能以及其运作原理。这种透明度建立了一种更深层次的信任感。

安全性

以人为本的 AI 包含端到端的隐私保护和数据安全协议，以确保人类数据的安全。它将机密性和数据安全放在首位。最终用户可以选择第三方对其数据拥有的访问权限级别。

以人为本的人工智能可以为个人和企业带来许多好处。

可扩展的工作流程

AI 与人类协作时，既能发挥人类的创造力，又能利用 AI 的速度和准确性。例如，一个人为他喜欢的博客文章写了三个构思示例。以人为本的人工智能随后生成另外十个类似的构思，从而在不增加额外工作量的情况下，丰富了可供人类选择的方案。

优化决策制定

人类与人工智能模型各有所长。针对不同任务发挥各自优势，可以构建一个高效的系统。例如，人类具备高度的同理心，能够为问题提供全面的见解和背景信息。人工智能则能利用海量数据，提供理性的分析与建议。以人为本的人工智能结合了 AI 的理性分析与人类的判断力，能够帮助企业做出更明智的决策。

提高了生产力

以人为本的人工智能协作可以大大提高某些流程的效率。AI 系统能实现部分任务的自动化，并通过智能辅助简化其他任务，从而加快人类完成任务的速度。一方面，这种辅助让人们能在相同时间内完成更多工作。另一方面，任务的简化也意味着人们可以将更多时间和精力投入到能创造更高价值的高层级任务中。

包容性

以人为本的人工智能有助于构建更具包容性的社会，因为 AI 系统能够适应不同能力人群的需求。这些模型提供了一种简单易用的方式，让人们能够轻松与系统交互并执行特定任务。通过实施这些模型，企业能够营造包容的氛围，使残障人士也能更轻松地完成某些任务。

以人为本的人工智能原则定义其运作方式以及为人类提供的价值。

包容性和无障碍性

以人为本的AI核心目标是构建每个人（无论其能力水平如何）都能使用的系统。这些系统直观易用，能够帮助不同能力水平的人在AI的辅助下取得更多成就。

自动化与人类输入的平衡应用

人机协作是 HCAI 系统的核心。此类 AI 系统并非旨在取代人类，而是通过结合机器学习自动化与人类输入，力求实现平衡的成果。

持续反馈

以人为本的设计利用持续反馈机制来收集改进信息。研究人员将人类反馈纳入 AI 训练数据，以提升模型与人类协作时的表现与能力。

理解用户需求

以人为本的人工智能通过理解人类行为和人类需求来构建 AI 解决方案。这些模型利用人机交互，以帮助人类明确具体需求，并了解 AI 系统如何实现这些目标。

缓解偏见与伦理考量

以人为本的 AI 强调合乎伦理的使用，致力于构建无偏见且符合人类伦理标准的模型。通过采纳人类输入，这些系统能够以人类价值观为核心，从而在未来打造更优秀的 AI 模型。

AI 可解释性

AI 系统的透明度与充分的可解释性可确保人类能够随时掌握模型的工作原理。例如，在使用基于自然语言处理的以人为本AI聊天机器人时，用户应能询问其得出特定答案的依据。如果模型能够做出回应并展示其逻辑推导过程，则体现了 AI 的可解释性，并且符合该系统的要求。

人类参与设计过程

作为一种旨在辅助人类的 AI 模型，人类必须始终处于设计过程的核心地位。创造力和设计知识等人类特质将在开发过程中发挥关键作用。在开发周期的任何阶段，人类都不应处于次要地位。

您可以遵循以下四个步骤来实现以人为本的 AI。

明确用户需求

开发任何以人为本的技术，其首要步骤都是明确人们面临的痛点或问题。通过征求用户反馈或进行客户访谈来发现问题。务必考量各种不同的意见，调查来自不同背景的人群，以了解用户当前面临的问题。

明确 AI 带来的价值

在确定人们面临的潜在问题后，您可以探讨是否存在适用的解决方案。尽管直接采用 AI 解决方案看似顺理成章，但应先考虑非机器学习类的其他方案。其他解决方案可能更具成本效益，且更易于维护。您还可以列出利弊清单，权衡潜在收益是否大于弊端。

您的团队可能认为该问题可以通过 AI 解决，或者发现 AI 曾解决过类似问题。如果情况如此，则需要审视该 AI 系统是否可能造成危害。例如，它可能会引发隐私问题或损害项目的数据完整性。如果您发现 AI 可能会造成任何潜在损害，那么它或许并非最佳解决方案。

构建解决方案原型

在确定适合采用“以人为本的 AI”来解决的问题后，您可以着手构建解决方案原型。让用户能够访问这些原型，以便他们能提供直接反馈并帮助您完善系统，为后续正式发布做好准备。

请用户提出改进或调整系统的建议，以提升系统的成效。收集不同群体的反馈，建立一个兼具包容性与多样性的反馈收集机制。

测试和改进

在向公众或目标受众发布系统之前，务必进行全面的测试与改进。应由人工主导系统的改进与优化过程，从而提高发现并解决问题的几率。持续改进有助于打造安全、实用且协作性强的“以人为本的 AI”系统。

在 AWS，我们致力于以负责任的方式开发人工智能，并采取以人为本的方法，优先考虑教育、科学和客户需求。我们提供一系列负责任的人工智能工具和资源，以支持以人为本的人工智能开发。例如，

• Amazon Bedrock 上的模型评估可帮助客户根据准确性和安全性等自定义指标，评估、比较和选择最适合其具体使用案例的 FM。

• Amazon Augmented AI 让您可以在需要人工监督时，对机器学习预测结果实施人工审核。

• Amazon SageMaker Ground Truth 提供最全面的“人在回路”功能，使您能够在机器学习生命周期中融入人类反馈，从而提高模型的准确性和相关性。

您可以通过自助服务或 AWS 托管服务完成各种人在回路任务，包括数据生成和注释、奖励模型生成、模型审查和自定义。

立即创建免费账户，开始在 AWS 上使用以人为本的人工智能。