Kā mākslīgais intelekts maina kolektīvo finansēšanu?

Mākslīgais intelekts pūļa finansēšanā 

Mākslīgais intelekts, jo īpaši ģeneratīvais mākslīgais intelekts, ir strauji integrējies mūsdienu projektos, radot visu, sākot no mākslas līdz tekstam un pat mūzikai (Brown u.c., 2020). Līdz ar šo tehnoloģiju attīstību, kas ir paralēla plašākām digitālās transformācijas un uz datiem balstītu finanšu tendencēm (Arvidsson, 2016), pūļa finansēšanas platformas saskaras ar jauniem izaicinājumiem intelektuālo īpašumtiesību, pārredzamības un atbildības jautājumu griezumā (Pasquale, 2015). 

Tādi ģeneratīvā MI rīki kā Stable Diffusion un ChatGPT iegūst datus no lielām tiešsaistes datu bāzēm. Tomēr daudzos scenārijos sākotnējā satura radītāji uzskata, ka viņu ieguldījums nav pienācīgi atzīts un finansiāli novērtēts, kas rada ētiskas bažas (Bostrom & Yudkowsky, 2014). Tas ir pastiprinājis stingras intelektuālās uzticamības pārbaudes nozīmi pūļa finansēšanas pasākumos (Agrawal, Catalini, & Goldfarb, 2015).   

Kāpēc ir svarīga satura pārbaude?

Kolektīvās finansēšanas pamatā ir uzticēšanās. Atbalstītāji uzticas projektiem un iegulda tajos savu naudu, sagaidot patiesus un unikālus rezultātus. Pieaugot mākslīgā intelekta radītā satura apjomam, cilvēka ieguldījuma atšķiršana no algoritmiskā rezultāta kļūst sarežģītāka. Runa nav tikai par projektu kolektīvo finansēšanu, bet arī par nepieciešamību pārliecināties, ka projektu īpašniekiem ir padziļinātas zināšanas par savām iniciatīvām, kas saskan ar ekspertu paustajām bažām par profesiju nākotni mākslīgā intelekta ietekmē (Susskind & Susskind, 2015). 

Kolektīvās finansēšanas platformām ir jāpārliecinās, ka privātie investori, finansējot projektu, iegulda arī īpašnieka kompetencē to uzturēt un uzlabot. Ja projekta mugurkauls ir noslēpumains mākslīgā intelekta modelis, šādas garantijas kļūst neskaidras. 

Kā kolektīvās finansēšanas platformas pielāgojas?

Nenorādot uz kādu vienu, noteiktu platformu, plašāka tendence pūļa finansējuma kopienā ir vērsta uz rūpīgu pārbaudi. Investīciju projektu īpašniekiem ir jāparāda visaptveroša izpratne par saviem projektiem, uzsverot gan intelektuālo autentiskumu, gan projekta ilgtermiņa ilgtspējas potenciālu. 

Līderi jaunu, stingrāku politiku izstrāde un ieviešanā, protams, ir lielākās platformas. Tās pieprasa, lai projekti, kas izmanto mākslīgo intelektu satura radīšanai, atklātu būtisku informāciju par mākslīgā intelekta lomu, satura oriģinalitāti un mākslīgā intelekta rīku izstrādes niansēm, tostarp par datu avotiem un piekrišanas mehānismiem.   

Kāda būs nākotne?

Nepieciešamību orientēties mākslīgā intelekta un intelektuālās uzticamības pārbaudes komplicētībā var šķist biedējoša, taču tā ir neizbēgama pūļa finansēšanas ekosistēmas trajektorija. Platformas atrodas krustcelēs, meklējit līdzsvaru starp inovācijām un atbildību (Pasquale, 2015). 

Lielā mērogā šī evolūcija signalizē par nākotni, kurā līdzekļu piesaistes ētikas pamatā ir pārredzamība, dziļa izpratne un atbildība. Tā kā mākslīgais intelekts turpina pārveidot nozares, pūļa finansēšanas platformas, visticamāk, saglabās vadošo lomu, ieviešot labāko praksi un nosakot nozares standartus.

Atsauces: 

Agrawal, A. K., Catalini, C., & Goldfarb, A. (2015). Crowdfunding: Geography, social networks, and the timing of investment decisions. Journal of Economics & Management Strategy, 24(2), 253-274. 

Arvidsson, A. (2016). Facebook and finance: On the social logic of the derivative. Theory, Culture & Society, 33(6), 3-23. 

Bostrom, N., & Yudkowsky, E. (2014). The ethics of artificial intelligence. Cambridge Handbook of Artificial Intelligence, 316-334. 

Brown T., Mann B., Ryder N., Subbiah M., Kaplan J., Dhariwal P., Neelakantan A., Shyam P., Sastry G., Askell A., Agarwal S., Herbert-Voss A., Krueger G., Henighan T., Child R., Ramesh A., Ziegler D., Wu J., Winter C., Hesse C., Chen M., Sigler E., Litwin M., Gray S., Chess B., Clark J., Berner C., McCandlish S., Radford A., Sutskever I., & Amodei D. (2020). Language Models are Few-Shot Learners. OpenAI. 

Pasquale, F. (2015). The black box society: The secret algorithms that control money and information. Harvard University Press. 

Susskind, R., & Susskind, D. (2015). The future of the professions: How technology will transform the work of human experts. Oxford University Press.