89 Quiz: Ενότητα 11 (11.13)-AI για Στρατηγική Διοίκηση & Business Intelligence

AI για Στρατηγική Διοίκηση & Business Intelligence

Σκορ: 0 / 20

Χρόνος: 20:00

1. Ποιος είναι ο κύριος ρόλος της AI στη στρατηγική διοίκηση και την Επιχειρηματική Ευφυΐα (BI);

Να αντικαθιστά τις παραδοσιακές μεθόδους ανάλυσης. Να μετατρέπει τα δεδομένα σε γνώση, ενισχύοντας την πρόβλεψη, ανάλυση και λήψη αποφάσεων. Να επικεντρώνεται αποκλειστικά στη μείωση του πιστωτικού κινδύνου. Να αυξάνει την πολυπλοκότητα των KPIs.

Η αξιοποίηση της AI επιτρέπει στις επιχειρήσεις να **μετατρέπουν τα δεδομένα σε γνώση, ενισχύοντας τη δυνατότητα πρόβλεψης, ανάλυσης και λήψης αποφάσεων** σε στρατηγικό επίπεδο.

2. Τι σημαίνει το ακρωνύμιο BI, σύμφωνα με το κείμενο;

Business Integration. Business Implementation. Business Intelligence (Επιχειρηματική Ευφυΐα). Big Information.

Το ακρωνύμιο BI αντιστοιχεί στο **Business Intelligence (Επιχειρηματική Ευφυΐα)**.

3. Τι παρακολουθούν σε πραγματικό χρόνο οι οργανισμοί μέσω της ενσωμάτωσης της AI σε συστήματα BI;

Μόνο τις πολιτικές εξελίξεις. Βασικούς δείκτες απόδοσης (KPIs). Τα ιστορικά δεδομένα πρόσληψης. Την ποιότητα των δεδομένων.

Οι οργανισμοί αποκτούν τη δυνατότητα να **παρακολουθούν σε πραγματικό χρόνο βασικούς δείκτες απόδοσης (KPIs)**.

4. Ποιο είναι το κύριο πλεονέκτημα της AI σε πλατφόρμες BI έναντι των παραδοσιακών μεθόδων ανάλυσης;

Η μείωση του κόστους λειτουργίας. Η αυτόματη αναγνώριση προτύπων και τάσεων που θα ήταν δύσκολο να εντοπιστούν αλλιώς. Η αποκλειστική χρήση γραμμικών μοντέλων. Η αύξηση της ανθρώπινης κρίσης.

Η AI επιτρέπει την **αυτόματη αναγνώριση προτύπων και τάσεων που θα ήταν δύσκολο να εντοπιστούν με τις παραδοσιακές μεθόδους ανάλυσης**.

5. Ποια δύο εργαλεία analytics επιτρέπουν στις επιχειρήσεις να προβλέπουν εξελίξεις και να λαμβάνουν συστάσεις;

Descriptive και diagnostic analytics. Predictive και prescriptive analytics. Qualitative και quantitative analytics. Real-time και retrospective analytics.

Τα εργαλεία είναι τα **predictive και prescriptive analytics**.

6. Τι επιτρέπουν τα predictive analytics στις επιχειρήσεις να προβλέπουν;

Μόνο τον πιστωτικό κίνδυνο. Μόνο την ενεργειακή αποδοτικότητα. Μελλοντικές εξελίξεις, όπως αλλαγές στη ζήτηση, στη συμπεριφορά πελατών ή στις συνθήκες της αγοράς. Τη μείωση της φθοράς της φήμης.

Τα predictive analytics επιτρέπουν την πρόβλεψη **μελλοντικών εξελίξεων —όπως αλλαγές στη ζήτηση, στη συμπεριφορά πελατών ή στις συνθήκες της αγοράς**.

7. Πέρα από την πρόβλεψη, τι παρέχουν τα prescriptive analytics στα συστήματα BI;

Τεκμηρίωση για τον πιστωτικό κίνδυνο. Συστάσεις για το πώς να προσαρμόσουν τη στρατηγική τους. Αποκλειστική χρήση ιστορικών δεδομένων. Προσομοιώσεις σεναρίων χωρίς εκτίμηση επιπτώσεων.

Τα prescriptive analytics επιτρέπουν στις επιχειρήσεις να λαμβάνουν **συστάσεις για το πώς να προσαρμόσουν τη στρατηγική τους**.

8. Τι υποστηρίζουν τα συστήματα AI-based BI σχετικά με τις εναλλακτικές στρατηγικές επιλογές;

Την αντικατάσταση των στρατηγικών επιλογών. Τη δημιουργία προσομοιώσεων σεναρίων (scenario simulations). Την αυτόματη υλοποίηση των επιλογών. Τον περιορισμό της διερεύνησης των επιπτώσεων.

Τα συστήματα AI-based BI υποστηρίζουν τη **δημιουργία προσομοιώσεων σεναρίων (scenario simulations)**.

9. Ποια είναι η τελική χρησιμότητα των προσομοιώσεων σεναρίων (scenario simulations) πριν από την υλοποίηση μιας στρατηγικής;

Η αυτόματη ενημέρωση των dashboards. Η εκτίμηση των επιπτώσεών τους. Η αναγνώριση προτύπων και τάσεων. Η βελτίωση της ακρίβειας των KPIs.

Οι προσομοιώσεις επιτρέπουν την **εκτίμηση των επιπτώσεών τους** πριν την υλοποίησή τους.

10. Σε ποιους δύο τομείς χρησιμοποιούνται πλατφόρμες που συνδυάζουν predictive models για την πρόβλεψη πιστωτικού κινδύνου;

Στον τομέα της τεχνολογίας και των μεταφορών. Στον τραπεζικό και ασφαλιστικό τομέα. Στον κλάδο της εφοδιαστικής αλυσίδας και της λιανικής. Στον τομέα του Marketing και των πωλήσεων.

Χαρακτηριστικά παραδείγματα αποτελούν οι πλατφόρμες που χρησιμοποιούνται στον **τραπεζικό και ασφαλιστικό τομέα**.

11. Τι είδους εργαλεία ενημερώνουν τα ανώτατα στελέχη στον τραπεζικό/ασφαλιστικό τομέα σε πραγματικό χρόνο;

Predictive models. Dashboards. Scenario simulations. Prescriptive analytics.

Οι πλατφόρμες χρησιμοποιούν **dashboards** που ενημερώνουν τα ανώτατα στελέχη σε πραγματικό χρόνο για κρίσιμους δείκτες απόδοσης.

12. Ποιος είναι ο στόχος των συστημάτων BI με AI στον σχεδιασμό logistics της εφοδιαστικής αλυσίδας;

Η αποκλειστική χρήση εσωτερικών δεδομένων. Η βελτιωμένη ενεργειακή και χρονική αποδοτικότητα. Η αύξηση των μεταφορικών δαπανών. Η μείωση του πιστωτικού κινδύνου.

Τα συστήματα BI με AI υποστηρίζουν τον σχεδιασμό logistics με **βελτιωμένη ενεργειακή και χρονική αποδοτικότητα**.

13. Ποια εξωτερικά δεδομένα αναφέρονται ότι λαμβάνονται υπόψη στα συστήματα BI με AI για τον σχεδιασμό logistics;

Μόνο η συμπεριφορά πελατών. Μόνο η ζήτηση. Οι καιρικές συνθήκες ή οι πολιτικές εξελίξεις. Ο πιστωτικός κίνδυνος.

Τα συστήματα λαμβάνουν υπόψη **εξωτερικά δεδομένα όπως οι καιρικές συνθήκες ή οι πολιτικές εξελίξεις**.

14. Πέρα από τη βελτίωση της ακρίβειας των προβλέψεων, πού αλλού συμβάλλει η AI στη στρατηγική διοίκηση;

Στην αντικατάσταση της ανθρώπινης κρίσης. Στη δυνατότητα των στελεχών να λαμβάνουν τεκμηριωμένες αποφάσεις. Στη μείωση της διαφάνειας των αναλύσεων. Στην αύξηση της εξάρτησης από ελλιπή δεδομένα.

Η συμβολή της AI αφορά και στη **δυνατότητα των στελεχών να λαμβάνουν τεκμηριωμένες αποφάσεις**.

15. Ποιες τρεις δυνατότητες ενισχύει η AI στη στρατηγική διοίκηση (γενικά);

Διαφάνεια, λογοδοσία και αποτελεσματικότητα. Πρόβλεψη, ανάλυση και λήψη αποφάσεων. Σχεδιασμό, οργάνωση και διεύθυνση. Ενεργειακή, χρονική και οικονομική αποδοτικότητα.

Η AI ενισχύει τη δυνατότητα **πρόβλεψης, ανάλυσης και λήψης αποφάσεων** σε στρατηγικό επίπεδο.

16. Τι ενισχύεται στη στρατηγική διοίκηση μέσω της διαφάνειας, της κατανόησης και της σύνδεσης των αναλύσεων με τους στόχους;

Ο πιστωτικός κίνδυνος. Η λογοδοσία και η αποτελεσματικότητα των στρατηγικών επιλογών. Η χρήση παραδοσιακών μεθόδων ανάλυσης. Η εξάρτηση από μη επικαιροποιημένα δεδομένα.

Ενισχύεται η **λογοδοσία και η αποτελεσματικότητα των στρατηγικών επιλογών**.

17. Ποιες τρεις ιδιότητες πρέπει να έχουν οι αναλύσεις που βασίζονται σε AI για να υποστηρίζουν τεκμηριωμένες στρατηγικές αποφάσεις;

Να είναι παλιές, πολύπλοκες και μη συνδεδεμένες με στόχους. Να είναι διαφανείς, κατανοητές και συνδεδεμένες με τους επιχειρησιακούς στόχους. Να είναι μόνο ποσοτικές, ποιοτικές και χρονικές. Να είναι αποκλειστικά predictive, prescriptive και descriptive.

Οι αναλύσεις πρέπει να είναι **διαφανείς, κατανοητές και συνδεδεμένες με τους επιχειρησιακούς στόχους**.

18. Τι εντοπίζουν οι οργανισμοί μέσω της ενσωμάτωσης της AI σε συστήματα BI, πέρα από την παρακολούθηση των KPIs και τη διαχείριση κινδύνων;

Μόνο τις αδυναμίες της διοίκησης. Ευκαιρίες ανάπτυξης. Τις προκαταλήψεις των ιστορικών δεδομένων. Την ανάγκη για επιπλέον deep learning μοντέλα.

Επιτρέπεται ο εντοπισμός **ευκαιριών ανάπτυξης** και η διαχείριση κινδύνων.

19. Με τι είδους εργαλεία αναγνωρίζει η AI σε πλατφόρμες BI πρότυπα και τάσεις;

Με εργαλεία που βασίζονται αποκλειστικά σε dashboards. Με εργαλεία όπως τα predictive και prescriptive analytics. Με εργαλεία που βασίζονται στην ανθρώπινη κρίση. Με εργαλεία που περιορίζονται σε παραδοσιακές μεθόδους ανάλυσης.

Η AI χρησιμοποιεί εργαλεία όπως τα **predictive και prescriptive analytics** για την αναγνώριση προτύπων και τάσεων.

20. Πώς περιγράφεται η διαδικασία με την οποία η AI μετατρέπει τα δεδομένα;

Μετατροπή των δεδομένων σε πιστωτικό κίνδυνο. Μετατροπή των δεδομένων σε dashboards. Μετατροπή των δεδομένων σε γνώση. Μετατροπή των δεδομένων σε KPIs.

Η αξιοποίησή της επιτρέπει στις επιχειρήσεις να μετατρέπουν τα δεδομένα σε **γνώση**.

88 Quiz: Ενότητα 11 (11.12)-Ηθικά Ζητήματα & Περιορισμοί της AI στη Διοίκηση Επιχειρήσεων

Ηθικά Ζητήματα & Περιορισμοί της AI στη Διοίκηση Επιχειρήσεων

Σκορ: 0 / 20

Χρόνος: 20:00

1. Ποια είναι η βασική απαίτηση για την αξιοποίηση των τεχνολογιών AI ώστε αυτή να είναι υπεύθυνη και κοινωνικά αποδεκτή;

Η μεγιστοποίηση της ταχύτητας. Να συνοδεύεται από σημαντικά ηθικά ζητήματα και περιορισμούς. Η εξάρτηση από την ποιότητα των δεδομένων. Η υπερβολική εξάρτηση από συστήματα AI.

Η χρήση AI στη διοίκηση επιχειρήσεων πρέπει να συνοδεύεται από **σημαντικά ηθικά ζητήματα και περιορισμούς**, ώστε η αξιοποίηση να είναι υπεύθυνη και κοινωνικά αποδεκτή.

2. Σε ποιους δύο τομείς αφορούν τα ηθικά ζητήματα της AI, σύμφωνα με το κείμενο;

Στη λογιστική και το Marketing. Στον σχεδιασμό/εφαρμογή των αλγορίθμων και στον αντίκτυπο των αποφάσεων στα άτομα/κοινωνία. Μόνο στην ποιότητα των δεδομένων. Στην τιμολόγηση και τις προσλήψεις.

Τα ζητήματα αυτά αφορούν τόσο τον **σχεδιασμό και την εφαρμογή των αλγορίθμων** όσο και τον **αντίκτυπο** που έχουν οι αλγοριθμικές αποφάσεις στα άτομα και στην κοινωνία συνολικά.

3. Ποιο είναι το βασικό ηθικό ζήτημα που μπορεί να ενσωματωθεί στα δεδομένα εκπαίδευσης της AI;

Η ερμηνευσιμότητα. Η προκατάληψη (bias). Η διαφάνεια. Η ακεραιότητα των δεδομένων.

Ένα βασικό ηθικό ζήτημα σχετίζεται με την **προκατάληψη (bias)** που μπορεί να ενσωματώνεται στα δεδομένα εκπαίδευσης.

4. Ποια είναι μία άδικη συνέπεια της προκατάληψης της AI στον κλάδο της διοίκησης επιχειρήσεων;

Η υπερβολική εξάρτηση από την ανθρώπινη κρίση. Οι αδικαιολόγητες διακρίσεις κατά την αξιολόγηση αιτήσεων εργασίας ή την πιστωτική αξιολόγηση. Η υποβάθμιση της ποιότητας των δεδομένων. Η αύξηση της διαφάνειας.

Στο πλαίσιο της διοίκησης επιχειρήσεων, το bias μπορεί να οδηγήσει σε **αδικαιολόγητες διακρίσεις**, για παράδειγμα κατά την αξιολόγηση αιτήσεων εργασίας ή την πιστωτική αξιολόγηση πελατών.

5. Πέρα από την υπονόμευση της ισότητας, σε ποιους δύο κινδύνους εκθέτει το bias τις επιχειρήσεις;

Σε κινδύνους διαφάνειας και ερμηνευσιμότητας. Σε κινδύνους κανονιστικής συμμόρφωσης και φθοράς της φήμης τους. Σε κινδύνους δυναμικής τιμολόγησης και απώλειας κρίσης. Σε κινδύνους εσφαλμένων προβλέψεων και ελλιπών δεδομένων.

Η ύπαρξη τέτοιων bias εκθέτει τις επιχειρήσεις σε **κινδύνους κανονιστικής συμμόρφωσης και φθοράς της φήμης τους**.

6. Ποιο είναι το δεύτερο κρίσιμο ηθικό ζήτημα που σχετίζεται με την κατανόηση των αλγοριθμικών αποφάσεων;

Η υπερβολική εξάρτηση από LLM. Η διαφάνεια και η ερμηνευσιμότητα των αποφάσεων. Η ανεπαρκής χρήση γραμμικών μοντέλων. Η ακεραιότητα των δεδομένων.

Ένα δεύτερο κρίσιμο ζήτημα αφορά τη **διαφάνεια και την ερμηνευσιμότητα** των αποφάσεων.

7. Ποια κατηγορία μοντέλων AI αναφέρεται ότι λειτουργεί συχνά ως «μαύρο κουτί»;

Τα γραμμικά μοντέλα. Τα μοντέλα που βασίζονται σε βαθιά μάθηση (deep learning). Τα δέντρα αποφάσεων. Τα συστήματα ανίχνευσης απάτης.

Πολλά μοντέλα τεχνητής νοημοσύνης, ιδίως εκείνα που βασίζονται σε **βαθιά μάθηση (deep learning)**, λειτουργούν ως «μαύρα κουτιά».

8. Τι δημιουργεί η λειτουργία των μοντέλων ως «μαύρα κουτιά» σε σχέση με τη διοίκηση;

Την αύξηση της ανθρώπινης κρίσης. Την ελαχιστοποίηση της εξάρτησης από την ποιότητα δεδομένων. Προκλήσεις για τη λογοδοσία και την εμπιστοσύνη. Την αποκλειστική χρήση μη επικαιροποιημένων δεδομένων.

Η δυσκολία κατανόησης των παραγόντων δημιουργεί **προκλήσεις για τη λογοδοσία και την εμπιστοσύνη**.

9. Η έλλειψη διαφάνειας και ερμηνευσιμότητας δημιουργεί προκλήσεις για τη λογοδοσία, τόσο εσωτερικά όσο και εξωτερικά. Ποιοι είναι οι εξωτερικοί ενδιαφερόμενοι που αναφέρονται;

Οι στελέχη και οι εργαζόμενοι. Οι πελάτες και τα ρυθμιστικά όργανα. Οι προμηθευτές και οι ανταγωνιστές. Μόνο οι μέτοχοι.

Οι προκλήσεις αφορούν τη λογοδοσία και την εμπιστοσύνη, τόσο εσωτερικά (από τα στελέχη και τους εργαζόμενους) όσο και εξωτερικά (**από τους πελάτες και τα ρυθμιστικά όργανα**).

10. Ποιος περιορισμός της AI αναφέρεται συχνά ότι παραβλέπεται;

Η ανάγκη για ανθρώπινη κρίση. Η εξάρτηση της AI από την ποιότητα και την ακεραιότητα των δεδομένων. Η πολυπλοκότητα των αλγορίθμων. Η χρήση δυναμικής τιμολόγησης.

Περιορισμός που συχνά παραβλέπεται είναι η **εξάρτηση της τεχνητής νοημοσύνης από την ποιότητα και την ακεραιότητα των δεδομένων**.

11. Σε τι οδηγούν ελλιπή, λανθασμένα ή μη επικαιροποιημένα δεδομένα;

Σε αύξηση της εμπιστοσύνης. Σε εσφαλμένες προβλέψεις και αποφάσεις. Σε βελτίωση της φήμης του brand. Σε μείωση του κινδύνου μεροληψίας.

Ελλιπή, λανθασμένα ή μη επικαιροποιημένα δεδομένα μπορούν να οδηγήσουν σε **εσφαλμένες προβλέψεις και αποφάσεις**.

12. Ποιες πρακτικές AI εγείρουν ερωτήματα σχετικά με τη δικαιοσύνη και την αποδοχή τους από τους καταναλωτές;

Οι πρακτικές στατικής τιμολόγησης. Οι πρακτικές δυναμικής τιμολόγησης που βασίζονται σε AI. Οι πρακτικές ενισχυτικής μάθησης. Οι πρακτικές ανίχνευσης απάτης.

Οι πρακτικές **δυναμικής τιμολόγησης που βασίζονται σε AI** εγείρουν ερωτήματα σχετικά με τη δικαιοσύνη και την αποδοχή τους.

13. Τι μπορεί να προκαλέσει η απουσία πολιτικών διαφάνειας στις πρακτικές δυναμικής τιμολόγησης;

Κατακόρυφη μείωση των τιμών. Απώλεια εμπιστοσύνης και αρνητική επίδραση στη φήμη του brand. Ενίσχυση της ανθρώπινης κρίσης. Αύξηση της ικανότητας ανταπόκρισης σε σύνθετες καταστάσεις.

Η απουσία πολιτικών διαφάνειας μπορεί να οδηγήσει σε **απώλεια εμπιστοσύνης και αρνητική επίδραση στη φήμη του brand**.

14. Τι ενέχει η υπερβολική εξάρτηση από συστήματα AI όσον αφορά την ανθρώπινη συμμετοχή στη λήψη αποφάσεων;

Την ενίσχυση της ανθρώπινης κρίσης. Τον κίνδυνο της υποβάθμισης της ανθρώπινης κρίσης. Την εξασφάλιση της λογοδοσίας. Την αποφυγή της χρήσης deep learning.

Η υπερβολική εξάρτηση από συστήματα AI ενέχει τον κίνδυνο της **υποβάθμισης της ανθρώπινης κρίσης** στη λήψη αποφάσεων.

15. Ποια ικανότητα των οργανισμών περιορίζεται λόγω της υποβάθμισης της ανθρώπινης κρίσης;

Η ικανότητα να ανταποκρίνονται σε σύνθετες ή μη προβλέψιμες καταστάσεις. Η ικανότητα συλλογής ιστορικών δεδομένων. Η ικανότητα χρήσης μεγάλων γλωσσικών μοντέλων. Η ικανότητα δυναμικής τιμολόγησης.

Η υποβάθμιση της ανθρώπινης κρίσης περιορίζει την ικανότητα των οργανισμών **να ανταποκρίνονται σε σύνθετες ή μη προβλέψιμες καταστάσεις**.

16. Τι απαιτεί η υπεύθυνη υιοθέτηση της τεχνητής νοημοσύνης από τις επιχειρήσεις όσον αφορά τον σχεδιασμό;

Να αυξάνουν την πολυπλοκότητα των μοντέλων. Να ενσωματώνουν αρχές ηθικής και δεοντολογίας στον σχεδιασμό. Να βασίζονται αποκλειστικά σε μη ερμηνεύσιμα μοντέλα. Να αγνοούν τις κανονιστικές απαιτήσεις.

Η υπεύθυνη υιοθέτηση της τεχνητής νοημοσύνης απαιτεί από τις επιχειρήσεις να **ενσωματώνουν αρχές ηθικής και δεοντολογίας στον σχεδιασμό**.

17. Σε ποιους τρεις μηχανισμούς πρέπει να επενδύουν οι επιχειρήσεις για την υπεύθυνη υιοθέτηση της AI;

Ανίχνευσης απάτης, δυναμικής τιμολόγησης και deep learning. Προκατάληψης, διάκρισης και εσφαλμένων προβλέψεων. Παρακολούθησης, ελέγχου και διαρκούς βελτίωσης των μοντέλων. Αυτοματοποίησης της πρόσληψης, της πιστωτικής αξιολόγησης και της τιμολόγησης.

Πρέπει να επενδύουν σε μηχανισμούς **παρακολούθησης, ελέγχου και διαρκούς βελτίωσης** των μοντέλων που χρησιμοποιούν.

18. Στο παράδειγμα της πολυεθνικής εταιρείας τεχνολογίας, ποια ήταν η πηγή της προκατάληψης του AI μοντέλου προσλήψεων;

Η ενισχυτική μάθηση. Οι προκαταλήψεις του παρελθόντος ως προς το φύλο και την εθνοτική προέλευση στα ιστορικά δεδομένα πρόσληψης. Η χρήση μη επικαιροποιημένων βιογραφικών. Η απουσία ανθρώπινης κρίσης.

Το μοντέλο εκπαιδεύτηκε σε ιστορικά δεδομένα πρόσληψης, τα οποία όμως αντανακλούσαν **προκαταλήψεις του παρελθόντος ως προς το φύλο και την εθνοτική προέλευση**.

19. Στο παράδειγμα της πλατφόρμας μεταφορών, τι τύπου μάθησης χρησιμοποιούσαν οι αλγόριθμοι για να προσαρμόζουν τις τιμές σε πραγματικό χρόνο;

Εποπτευόμενη μάθηση. Ανεποπτεύόμενη μάθηση. Ενισχυτική μάθηση. Βαθιά μάθηση.

Η πλατφόρμα μεταφορών χρησιμοποιούσε αλγορίθμους **ενισχυτικής μάθησης** για να προσαρμόζει τις τιμές των διαδρομών σε πραγματικό χρόνο.

20. Ποιο ήταν το αρνητικό αποτέλεσμα του συστήματος δυναμικής τιμολόγησης της πλατφόρμας μεταφορών σε περιόδους κρίσεων;

Μία σταδιακή μείωση των τιμών. Η δημιουργία προσχεδίων κανονιστικής συμμόρφωσης. Η κατακόρυφη αύξηση τιμών (price surge), προκαλώντας κατηγορίες για εκμετάλλευση. Η αδυναμία εύρεσης οδηγών.

Σε περιόδους κρίσεων, το σύστημα οδήγησε σε **κατακόρυφη αύξηση τιμών (price surge)**, προκαλώντας έντονες αντιδράσεις και κατηγορίες για εκμετάλλευση των συνθηκών ανάγκης.

87 Quiz: Ενότητα 11 (11.11)- AI και Στρατηγικές ESG

AI και Στρατηγικές ESG

Σκορ: 0 / 15

Χρόνος: 20:00

1. Πώς υποστηρίζει η AI τις επιχειρήσεις σχετικά με τους κινδύνους της αειφορίας;

Μόνο με τη μείωση του κόστους. Με τη διαχείριση των κινδύνων και την τεκμηριωμένη προσαρμογή στις απαιτήσεις των ενδιαφερόμενων μερών. Με την αποκλειστική χρήση απλών στατιστικών μοντέλων. Με την κατάργηση των κανονιστικών πλαισίων.

Η αξιοποίηση της AI υποστηρίζει τις επιχειρήσεις τόσο στη **διαχείριση των κινδύνων** που συνδέονται με την αειφορία όσο και στην **ταχύτερη και τεκμηριωμένη προσαρμογή** τους στις απαιτήσεις των ενδιαφερόμενων μερών και των κανονιστικών πλαισίων.

2. Στον περιβαλλοντικό πυλώνα (E), πώς συμβάλλει η AI στην εφοδιαστική αλυσίδα;

Σχεδιάζοντας την αλυσίδα με γνώμονα τη μεγιστοποίηση των εκπομπών CO₂. Σχεδιάζοντας την αλυσίδα με γνώμονα την **ελαχιστοποίηση των εκπομπών CO₂**. Αυξάνοντας την κατανάλωση ενέργειας. Με την αποκλειστική χρήση μεγάλων γλωσσικών μοντέλων (LLM).

Μέσω predictive analytics, οι επιχειρήσεις μπορούν να σχεδιάζουν την εφοδιαστική αλυσίδα με γνώμονα την **ελαχιστοποίηση των εκπομπών CO₂**.

3. Τι επιτρέπουν τα predictive analytics όσον αφορά τη συντήρηση του εξοπλισμού στον περιβαλλοντικό πυλώνα;

Να αναβάλλουν επ’ αόριστον τη συντήρηση. Να προβλέπουν τις ανάγκες συντήρησης του εξοπλισμού ώστε να περιορίζονται οι απώλειες. Να αυξάνουν τις απώλειες ενέργειας. Να εκτιμούν μόνο τις πωλήσεις.

Μέσω predictive analytics, οι επιχειρήσεις μπορούν να **προβλέπουν τις ανάγκες συντήρησης του εξοπλισμού ώστε να περιορίζονται οι απώλειες**.

4. Στον κοινωνικό πυλώνα (S), ποιοι τρεις βασικοί τομείς υποστηρίζονται από την AI;

Τιμολόγηση, Marketing και Παραγωγή. Ισότητα, ένταξη και υγεία και ασφάλεια των εργαζομένων. Διαχείριση αποβλήτων, εκπομπές CO₂ και κατανάλωση ενέργειας. Διαφάνεια, λογοδοσία και απάτη.

Στον κοινωνικό πυλώνα, η AI υποστηρίζει την **ισότητα, την ένταξη και την υγεία και ασφάλεια των εργαζομένων**.

5. Τι επιτρέπουν τα συστήματα ανάλυσης δεδομένων HR στον κοινωνικό πυλώνα;

Την ανίχνευση αποκλίσεων που σχετίζονται με τις πρακτικές ένταξης ή τα επίπεδα ικανοποίησης και ασφάλειας. Την αυτόματη απόλυση των εργαζομένων. Την πρόβλεψη των κινδύνων διαφθοράς. Τη βελτιστοποίηση της χρήσης πρώτων υλών.

Τα συστήματα ανάλυσης δεδομένων HR επιτρέπουν την **ανίχνευση αποκλίσεων που σχετίζονται με τις πρακτικές ένταξης ή με τα επίπεδα ικανοποίησης και ασφάλειας των εργαζομένων**.

6. Στον πυλώνα της εταιρικής διακυβέρνησης (G), πώς συμβάλλει η AI στη συμμόρφωση;

Μόνο με τη μείωση της διαφάνειας. Μέσω συστημάτων ανίχνευσης απάτης και αυτοματοποίησης της παρακολούθησης κανονιστικών απαιτήσεων. Με την αποκλειστική χρήση decision trees. Με την αύξηση του κινδύνου φαινομένων διαφθοράς.

Στον πυλώνα G, η AI συμβάλλει μέσω **συστημάτων ανίχνευσης απάτης και αυτοματοποίησης της παρακολούθησης κανονιστικών απαιτήσεων**, ενισχύοντας τη συμμόρφωση.

7. Ποια είναι η συγκεκριμένη χρήση των Μεγάλων Γλωσσικών Μοντέλων (LLM) στο πλαίσιο του ESG;

Για τη δημιουργία προσχεδίων εκθέσεων ESG. Για την πρόβλεψη της κατανάλωσης ενέργειας. Για την ανίχνευση αποκλίσεων στην ικανοποίηση εργαζομένων. Για τη βέλτιστη χρήση πρώτων υλών.

Τα μεγάλα γλωσσικά μοντέλα (LLM) χρησιμοποιούνται για τη **δημιουργία προσχεδίων εκθέσεων ESG**, υποστηρίζοντας τη διαφάνεια.

8. Ποιο διεθνές πρότυπο συμμόρφωσης, πέραν των ESRS, αναφέρεται ότι παρακολουθείται μέσω συστημάτων AI;

ISO 9001 Standards. GRI Standards. IFRS Standards. Six Sigma Standards.

Οι επιχειρήσεις μπορούν να ενισχύσουν τη συμμόρφωσή τους με διεθνή πρότυπα (όπως τα **GRI Standards**, τα ESRS).

9. Ποιο είναι το κύριο ανταγωνιστικό πλεονέκτημα που παρέχει η AI σε στρατηγικές ESG;

Η διαμόρφωση βιώσιμων πολιτικών που βασίζονται σε πραγματικά δεδομένα και τεκμηριωμένη ανάλυση, και όχι σε γενικές εκτιμήσεις. Η πλήρης αποφυγή όλων των κανονιστικών απαιτήσεων. Η αύξηση της ανάγκης για χειροκίνητη συλλογή δεδομένων. Η αντικατάσταση των στελεχών διοίκησης.

Η AI καθιστά εφικτή τη διαμόρφωση βιώσιμων πολιτικών που **βασίζονται σε πραγματικά δεδομένα και τεκμηριωμένη ανάλυση, και όχι σε γενικές εκτιμήσεις**.

10. Ποια είναι μία από τις κύριες προκλήσεις που συνοδεύουν την εφαρμογή της AI στο πλαίσιο του ESG;

Η υπερβολική απλότητα των μοντέλων. Η ανάγκη διασφάλισης της ακεραιότητας των δεδομένων. Η έλλειψη διαθέσιμων αλγορίθμων. Η απουσία κανονιστικών πλαισίων.

Οι προκλήσεις περιλαμβάνουν την ανάγκη διασφάλισης της **ακεραιότητας των δεδομένων**, την αντιμετώπιση πιθανών προκαταλήψεων και την ερμηνευσιμότητα.

11. Για ποιους λόγους η ερμηνευσιμότητα των αποτελεσμάτων (Interpretability) αποτελεί πρόκληση για την AI στο ESG;

Για την αύξηση της ταχύτητας επεξεργασίας. Για λόγους λογοδοσίας και κοινωνικής αποδοχής. Για να χρησιμοποιούνται μόνο απλά μοντέλα. Για να αυξηθούν οι γενικές εκτιμήσεις.

Η ερμηνευσιμότητα των αποτελεσμάτων είναι κρίσιμη για λόγους **λογοδοσίας και κοινωνικής αποδοχής**.

12. Ποια εταιρεία αναφέρεται ως χαρακτηριστικό παράδειγμα εφαρμογής της AI στο πλαίσιο στρατηγικής ESG στον κλάδο των πλαστικών;

Toyota. Plastika Kritis. Coca-Cola. Microsoft.

Το χαρακτηριστικό παράδειγμα εφαρμογής της τεχνητής νοημοσύνης στο πλαίσιο στρατηγικής ESG συναντάται στην εταιρεία **Plastika Kritis**.

13. Πώς επιτυγχάνει η Plastika Kritis τη μέγιστη ενεργειακή αποδοτικότητα στην παραγωγή της;

Με τη μείωση της παραγωγικής διαδικασίας. Με την αντικατάσταση όλων των μηχανημάτων. Μέσω predictive analytics και machine learning, προσαρμόζοντας δυναμικά τις λειτουργίες της. Με τη χρήση μόνο γραμμικών μοντέλων.

Η εταιρεία αξιοποιεί **predictive analytics και machine learning** για την παρακολούθηση της κατανάλωσης ενέργειας και των εκπομπών CO₂ και **προσαρμόζει δυναμικά τις λειτουργίες της** για μέγιστη ενεργειακή αποδοτικότητα.

14. Πώς υποστηρίζει το τμήμα Ανθρώπινου Δυναμικού της Plastika Kritis τον κοινωνικό πυλώνα (S);

Με την παρακολούθηση μόνο των εκπομπών CO₂. Με την παρακολούθηση δεικτών ικανοποίησης εργαζομένων και την πρόβλεψη αναγκών κατάρτισης και ανάπτυξης δεξιοτήτων. Με την αυτοματοποίηση της ανίχνευσης απάτης. Με τη χρήση LLMs για τις εκθέσεις ESG.

Το τμήμα ανθρώπινου δυναμικού χρησιμοποιεί συστήματα ανάλυσης δεδομένων για την **παρακολούθηση δεικτών ικανοποίησης εργαζομένων και την πρόβλεψη αναγκών κατάρτισης και ανάπτυξης δεξιοτήτων**.

15. Το τμήμα κανονιστικής συμμόρφωσης της Plastika Kritis αξιοποιεί συστήματα AI για:

Την αύξηση της μεροληψίας. Την παρακολούθηση της συμμόρφωσης με τα πρότυπα GRI και ESRS. Την πρόβλεψη της τιμής των πρώτων υλών. Την αποκλειστική χρήση μη ερμηνεύσιμων μοντέλων.

Το τμήμα κανονιστικής συμμόρφωσης αξιοποιεί συστήματα ανίχνευσης ανωμαλιών και αυτοματοποιημένα εργαλεία αναφοράς για την **παρακολούθηση της συμμόρφωσης με τα πρότυπα GRI και ESRS**.

86 Quiz: Ενότητα 11 (11.10)-Explainable AI (XAI) στη Διοίκηση Επιχειρήσεων

Explainable AI (XAI) στη Διοίκηση Επιχειρήσεων

Σκορ: 0 / 15

Χρόνος: 20:00

1. Ποια είναι η βασική αρχή του Explainable AI (XAI);

Να καθιστά κατανοητές τις αποφάσεις των αλγορίθμων στους ανθρώπους. Να αυξάνει την πολυπλοκότητα των νευρωνικών δικτύων. Να μειώνει το κόστος λειτουργίας των συστημάτων AI. Να αντικαθιστά πλήρως τις ανθρώπινες αποφάσεις.

Η έννοια του XAI αφορά την ανάπτυξη και χρήση AI με τρόπο που **να καθιστά κατανοητές τις αποφάσεις και τα αποτελέσματα** που παράγουν οι αλγόριθμοι στους ανθρώπους.

2. Γιατί η σημασία του XAI είναι έντονη στο επιχειρησιακό περιβάλλον;

Για να μπορούν οι αποφάσεις να είναι αποκλειστικά βασισμένες σε νευρωνικά δίκτυα. Επειδή οι διοικητικές αποφάσεις πρέπει να είναι διαφανείς, ερμηνεύσιμες και τεκμηριωμένες. Για να διασφαλίζεται ότι οι τιμές των προϊόντων παραμένουν σταθερές. Για να ενισχύεται ο κανονιστικός κίνδυνος.

Οι διοικητικές αποφάσεις που στηρίζονται σε αλγοριθμικά συστήματα πρέπει να είναι **διαφανείς, ερμηνεύσιμες και τεκμηριωμένες**, προκειμένου να ενισχύουν την εμπιστοσύνη και τη συμμόρφωση.

3. Ποιος από τους παρακάτω τομείς **δεν** αναφέρεται ρητά στο κείμενο ως επιτακτική ανάγκη για XAI;

Πιστωτική αξιολόγηση πελατών. Πρόβλεψη αποχώρησης εργαζομένων. Διαχείριση φυσικών πόρων. Δυναμική τιμολόγηση.

Οι αναφερόμενες εφαρμογές είναι η πιστωτική αξιολόγηση, η πρόβλεψη αποχώρησης, η ανίχνευση απάτης και η δυναμική τιμολόγηση. Η **Διαχείριση φυσικών πόρων** δεν αναφέρεται.

4. Ποιος είναι ένας κρίσιμος στόχος της κατανόησης των παραγόντων που οδηγούν σε μια αλγοριθμική σύσταση;

Η αύξηση της ακρίβειας της πρόβλεψης. Η τήρηση των αρχών ισότητας και δικαιοσύνης. Η μείωση του χρόνου εκπαίδευσης του αλγορίθμου. Η αύξηση της πολυπλοκότητας του μοντέλου.

Η κατανόηση των παραγόντων είναι κρίσιμη για τη **λογοδοσία, την τήρηση των αρχών ισότητας και δικαιοσύνης**, και την αποφυγή μεροληπτικών αποφάσεων.

5. Ποιο από τα παρακάτω συστήματα ανήκει στα 'interpretable models' (ερμηνεύσιμα μοντέλα) για XAI;

LIME. Νευρωνικά δίκτυα. Decision trees (Δέντρα αποφάσεων). SHAP.

Τα **interpretable models** περιλαμβάνουν τα **decision trees** και τα **linear models**. Οι LIME και SHAP είναι τεχνικές για 'μαύρα κουτιά'.

6. Ποιες τεχνικές χρησιμοποιούνται για την αποσαφήνιση 'μαύρων κουτιών' (black box) AI;

Μόνο Dashboards. Μόνο Linear models. LIME και SHAP. Μόνο Decision trees.

Οι τεχνικές αποσαφήνισης μαύρων κουτιών που αναφέρονται είναι οι **LIME** (Local Interpretable Model-agnostic Explanations) και **SHAP** (Shapley Additive Explanations).

7. Ποιος κανονισμός απαιτεί διαφάνεια στον τρόπο λήψης αυτόματων αποφάσεων που επηρεάζουν άμεσα τα άτομα;

Ο Κανονισμός για την Πιστωτική Αξιολόγηση. Ο Γενικός Κανονισμός Προστασίας Δεδομένων (GDPR). Ο Κανονισμός Ηλεκτρονικού Εμπορίου. Ο Κανονισμός Ασφαλείας Τροφίμων.

Η ανάπτυξη συστημάτων XAI υποστηρίζει τη συμμόρφωση με ρυθμιστικά πλαίσια όπως ο **Γενικός Κανονισμός Προστασίας Δεδομένων (GDPR)**, ο οποίος απαιτεί διαφάνεια στον τρόπο λήψης αυτόματων αποφάσεων.

8. Πώς χαρακτηρίζεται η ενσωμάτωση του XAI στις επιχειρησιακές λειτουργίες πέρα από ένα τεχνικό ζήτημα;

Ως λειτουργική αναβάθμιση. Ως οικονομική υποχρέωση. Ως στρατηγική επιλογή. Ως ανεξέλεγκτος μηχανισμός.

Η ενσωμάτωση του XAI δεν αποτελεί μόνο τεχνικό ζήτημα αλλά και **στρατηγική επιλογή**.

9. Ποιο είναι ένα στρατηγικό όφελος για τις επιχειρήσεις που επενδύουν σε XAI;

Μείωση του κανονιστικού κινδύνου. Αύξηση του κόστους υπολογιστικής ισχύος. Μείωση της αξιοπιστίας στην αγορά. Αποκλεισμός της επαφής με ρυθμιστικές αρχές.

Οι επιχειρήσεις ενισχύουν την αξιοπιστία τους, οικοδομούν εμπιστοσύνη και **μειώνουν τον κανονιστικό κίνδυνο**.

10. Πώς βοηθά το XAI τα στελέχη να αξιοποιούν την τεχνητή νοημοσύνη;

Ως ανεξέλεγκτο μηχανισμό. Ως ουσιαστικό μέσο υποστήριξης της λήψης αποφάσεων. Ως εργαλείο αύξησης της μεροληψίας. Ως μέσο αντικατάστασης όλων των διοικητικών λειτουργιών.

Το XAI παρέχει στα στελέχη τα κατάλληλα εργαλεία ώστε να αξιοποιούν την AI ως **ουσιαστικό μέσο υποστήριξης της λήψης αποφάσεων** και όχι ως ανεξέλεγκτο μηχανισμό.

11. Ποιος τομέας αναφέρεται ως χαρακτηριστικό παράδειγμα εφαρμογής XAI κατά τη διαδικασία αξιολόγησης αιτήσεων για χορήγηση δανείων;

Το ηλεκτρονικό εμπόριο. Η εφοδιαστική αλυσίδα. Ο τραπεζικός τομέας. Οι αερομεταφορές.

Ένα χαρακτηριστικό παράδειγμα εφαρμογής explainable AI συναντάται στον **τραπεζικό τομέα**, κατά τη διαδικασία αξιολόγησης αιτήσεων για χορήγηση δανείων.

12. Ποιο AI μοντέλο αναφέρεται ότι μπορεί να προβλέψει την πιθανότητα αθέτησης ενός δανείου με υψηλή ακρίβεια, αλλά χωρίς να είναι εύκολα ερμηνεύσιμο;

Linear Models (Γραμμικά μοντέλα). Decision Trees (Δέντρα αποφάσεων). Νευρωνικά δίκτυα. LIME.

Ένα σύστημα τεχνητής νοημοσύνης που στηρίζεται σε **νευρωνικά δίκτυα** μπορεί να προβλέψει με υψηλή ακρίβεια, αλλά χωρίς να είναι εύκολα ερμηνεύσιμο ('μαύρο κουτί').

13. Τι επιτρέπουν οι μέθοδοι SHAP (Shapley Additive Explanations) στην τράπεζα κατά την αξιολόγηση δανείων;

Την αυτόματη έγκριση όλων των αιτήσεων. Να προσδιοριστεί ποιοι παράγοντες επηρέασαν περισσότερο το τελικό αποτέλεσμα. Να αποκρυφθεί η λογική της απόφασης. Να αντικατασταθεί το ανθρώπινο δυναμικό.

Μέσω της χρήσης εργαλείων όπως οι μέθοδοι SHAP, η τράπεζα μπορεί να **προσδιορίσει ποιοι παράγοντες επηρέασαν περισσότερο το τελικό αποτέλεσμα**.

14. Τι εξασφαλίζουν τα στελέχη όταν αιτιολογούν την απόφαση έγκρισης ή απόρριψης ενός δανείου με αντικειμενικά και τεκμηριωμένα επιχειρήματα;

Τη μεγιστοποίηση του κινδύνου μεροληψίας. Την ελαχιστοποίηση του κινδύνου μεροληψίας και την ενίσχυση της συμμόρφωσης με τον GDPR. Την πλήρη κατάργηση των κανονιστικών πλαισίων. Την αποκλειστική χρήση των ιστορικών δεδομένων.

Η αιτιολόγηση επιτρέπει στα στελέχη να **ελαχιστοποιούν τον κίνδυνο μεροληψίας και να ενισχύουν τη συμμόρφωση με τον κανονισμό GDPR**.

15. Ποιο εργαλείο αναφέρεται ότι χρησιμοποιείται για την οπτική παρουσίαση των βασικών μεταβλητών που επηρεάζουν τις αλγοριθμικές αποφάσεις;

LIME. Dashboards (Πίνακες ελέγχου). Linear Models. Νευρωνικά Δίκτυα.

Η εφαρμογή XAI μπορεί να επιτευχθεί με τη χρήση μεθόδων όπως... **τα dashboards που παρουσιάζουν τις βασικές μεταβλητές** που επηρεάζουν τις αλγοριθμικές αποφάσεις.