Menedżerowie odpowiedzialni za wdrażanie systemów AI w organizacji powinni dokonać ewaluacji ryzyka i kosztów związanych z błędnym działaniem wdrażanego systemu. Jeżeli koszty (nie tylko finansowe) związane z błędną klasyfikacją danego przypadku przez model są wysokie, to oznaczanie danych treningowych powinno zostać powierzone ekspertom.
Współcześnie przez sztuczną inteligencję najczęściej rozumie się narzędzia z zakresu uczenia maszynowego, które odniosły w ostatnich latach najwięcej spektakularnych sukcesów w rozwiązywaniu wielu wymagających zadań z zakresu wizji komputerowej czy przetwarzania języka naturalnego. Przykładowo, znany chatbot ChatGPT działa na podstawie modelu językowego, który powstał w wyniku trenowania sieci neuronowej na miliardach zdań pobranych z internetu. W takim podejściu twórcy danego rozwiązania AI nie programują go własnoręcznie, lecz wybierają uczący się algorytm, a następnie w procesie „treningu” zasilają go przykładami treningowymi, odpowiednio oznaczonymi przez ekspertów lub inne osoby do tego wyznaczone. Przykładem danych treningowych mogą być np. zdjęcia rentgenowskie, na których eksperci zaznaczyli niepokojące zmiany, lub wypowiedzi internautów, którym przypisano odpowiednią etykietę ze względu na wydźwięk emocjonalny wypowiedzi. W czasie treningu algorytm uczy się rozróżniania odpowiednich przypadków, porównując swoje odpowiedzi z danymi wzorcowymi, i na tej podstawie modyfikuje swoje wewnętrzne wagi. Celem treningu jest taka modyfikacja wewnętrznych wag, aby na wyjściu z modelu odpowiedzi były jak najbardziej zbliżone do danych wzorcowych. Innymi słowy, wybrany algorytm uczenia maszynowego dokonuje pomiarów swoich błędów względem danych wzorcowych i na tej podstawie modyfikuje wewnętrzne parametry.
