Operacjonalizacja
Tłumaczenie abstrakcyjnych polityk i norm na codzienne, mierzalne i wykonalne procesy. Dzięki operacjonalizacji wszystko ma szansę zadziałać i przyśpieszyć pracę
Posiadanie samej polityki AI to dopiero pierwszy krok. Jeśli polityka nie zostanie przełożona na codzienne procesy, narzędzia i nawyki, pozostanie martwym dokumentem. Operacjonalizacja to zestaw mechanizmów, które łączą strategię z rzeczywistością — od centralnego rejestru systemów AI po lekkie procedury akceptacji nowego pomysłu.
Każda organizacja ma swoją specyfikę i dlatego konkretne dokumenty czy narzędzia będą się w różnić w zależności od firmy. Niezależnie od tego możemy spróbować stworzyć listę minimum, która może nam posłużyć jako punkt wyjścia.
Rejestr zasobów AI
Rejestr Systemów AI (AI Inventory)
To fundamentalne narzędzie operacjonalizacji ładu. Dlaczego? Centralna baza danych (często zaczyna się od arkusza Excel, dojrzewa do dedykowanego narzędzia GRC), w której zinwentaryzowany jest każdy system AI używany w organizacji, to większa świadomość z czym mamy do czynienia. Rejestr odpowiada na podstawowe pytanie: "Czego my właściwie używamy?".
Co ważne, to nie musi być zupełnie nowy rejestr. Dzisiaj w praktycznie każdej organizacji mamy już rejestry zasobów / aktywów IT. Skorzystajmy z tego.
A co powinno znaleźć się w takim dokumencie / narzędziu?
- Identyfikacja: Nazwa systemu, dostawca (o ile zewnętrzny), metryka "właściwości", właściciel biznesowy.
- Cel biznesowy: Do czego ten system jest używany i dla kogo.
- Metryki wartości: miejsce, w którym możemy pokazać konkretne wskaźniki, w tym ROI.
- Klasyfikacja AI Act: Kategoria ryzyka, np. wysokie ryzyko / brak ryzyka, klasyfikacja podmiotowa (provider, deployer).
- Czy system podlega pod RODO: to ważna część, bo daje poczucie tego z jakimi wyzwaniami będziemy się mierzyć.
- Status zgodności (compliance): Stan analiz DPIA i prawnych (np. opinia prawna), kontraktów z dostawcą, ostatniego audytu.
- Status techniczny: Środowisko (prod/test), data ostatniej aktualizacji, monitorowane metryki jakości.
Oczywiście możemy to rozszerzać o aspekty związane z danymi, choć zazwyczaj są one przedmiotem odrębnego rejestru.
Matryca RASCI
Bez znajomości jasnego podziału ról i zadań trudno o budowanie odpowiedzialności, prawda? Dlatego tak ważne jest, aby w naszej organizacji zacząć odpowiedzialnie podchodzić do tego zadania. Najbardziej przejrzysta będzie tutaj matryca RASCI (Responsible, Accountable, Support, Consulted, Informed), która pokaże KTO, CO i KIEDY.
Zazwyczaj taka matryca na potrzeby AI Governance ma ok. 70-80 pozycji, ale wszystko zależy od tego jak granularnie chcemy pokazać sam proces.
To zaś kieruje nas do kolejnego bardzo ważnego "narzędzia" AI Governance...
Opis procesu obsługi inicjatyw AI & Data
To w zasadzie serce naszego podejścia do AI. Dlaczego? Dlatego, że określamy tutaj to w jaki sposób przebiega proces realizacji ważnych inicjatyw od początku (etapu ideacji) do końca (etapu "decommissioning").
To także ważny element budowania naszej odpowiedzialności (accountability), no bo jak inaczej wskazać kto, za co i kiedy odpowiada, jeżeli nie wiemy jak przebiega cała inicjatywa.
W ramach opis aktywnie myślimy też o procesie wytwórczym oprogramowania (SDLC), bowiem ten zmieni się w dwóch aspektach:
- używania AI przez developerów i koderów w samym procesie wytwórczym oraz
- dodatkowych działań "AI" w sytuacji, gdy identyfikujemy inicjatywę właśnie jako związana z AI, np. AI Act checkpoints jako obligatoryjny element procesu.
Taki proces warto opisać graficznie, np. tak (choć to bardzo uproszczony rys):
Poświęćmy temu czas, bo to nasza inwestycja.
Komitet ds. AI
Operacjonalizacja wymaga rytmu i kontroli oraz bramek decyzyjnych. Dlatego Komitet ds. AI to dobry kierunek, choć i potencjalny bloker inicjatyw - not gonna lie.
To formalne ciało, które monitoruje stan portfela inicjatyw AI, podejmuje decyzje strategiczne i adresuje ryzyka, np. mówi GO/NO-GO. W jego składzie powinny być wszystkie osoby decyzyjne, które są jednocześnie interesariuszami tego typu inicjatyw, np. szef ryzyka, IT, obszaru informacyjnego/danych, security, legal i oczywiście ktoś z zarządu. Taki komitet musi mieć strukturę i dlatego warto opracować dla niego regulamin operacyjny z jasno określonymi celami i narzędziami.
Sandbox / AI Lab
AI Governance nie ma być blokerem inicjatyw, tylko wsparciem do budowania wartości dla organizacji, pracowników i klientów.
Dlatego powinniśmy pomyśleć o tym, aby uruchomić jakieś "środowisko" (nie chodzi o odrębny kontener na chmurze), w którym na podstawie jasno określonych kryteriów możemy trochę pobawić się z inicjatywami AI, może je lepiej poznać i zrozumieć ryzyka oraz możliwości.
Powinno być to obudowane odpowiednimi instrukcjami czy regulaminami i kierowane np. przez Lidera AI lub wyznaczoną przez niego osobę pod jego kierownictwem.
Kierunek "sandbox" jest wyraźnie widoczny w AI Act, gdzie takie piaskownice (choć regulacyjne) będą ustanawiane w każdym państwie.
Procedury operacjonalizujące
Operacjonalizacja AI Governance wymaga stworzenia lub modyfikacji istniejących procedur oraz instrukcji. Na początek co powinno powstać od zero (bo zazwyczaj tego po prostu nie ma):
- opis procesu obsługi wyjaśnialności: który stanowi instrukcję jak postępować w sytuacji, w której wyjaśnialność modelu jest wymagana np. przepisami prawa; czasami coś takiego mamy już ze względu na wymagania RODO,
- instrukcja Odpowiedzialnej / Etycznej AI: to taki dokument, który daje przynajmniej podstawową wiedzę co do tego co powinniśmy robić, aby zapewnić, że AI, które projektujemy, rozwijamy, wdrażamy i użytkujemy jest zgodne z naszymi waetościami i zasadami,
- programy szkoleniowe AI Literacy: które zaadresują nam wyzwania związane z budowaniem świadomości i brakiem potencjalnych kompetencji (to też ważny element zgodności z AI Act),
- system zarządzania ryzykiem AI: to nie musi być oddzielny system, ale musimy tutaj uwzględnić specyfikę ryzyk AI.
Poza tym AI Governance może wymagać od nas zmiany w istniejących regulacjach wewnętrznych, np. w obszarze HR czy IT. Do tej tematyki jeszcze wrócimy w innych sekcjach.
Operacjonalizacja AI Governance
Od polityki do praktyki: jak wdrażać ład AI w codziennej pracy zespołów — procesy, narzędzia, role i miary skuteczności.
Aktualizacja: