Miguel Luengo-Oroz
De flesta styrelser har numera en AI-policy. Mycket få kan ge ett hållbart svar på vad policyn egentligen reglerar när modellerna används inom verksamheten, i produkterna och vid personalbeslut. Den svårare frågan är hur man kan hålla AI-ambitionerna igång utan att förlora allmänhetens förtroende, den rättsliga ställningen eller den interna trovärdigheten när det första allvarliga misslyckandet inträffar.
Miguel Luengo-Oroz är forskare, entreprenör och tidigare chefsdataforskare vid Förenta nationerna. Han hjälper organisationer att utveckla AI som klarar granskning ur etisk, regleringsmässig och operativ synvinkel.
Full Profile
Varför organisationer samarbetar med Miguel Luengo-Oroz
- Han innehade den första tjänsten som Chief Data Scientist vid FN i sex år, där han tillämpade AI på konfliktförebyggande, flyktinginsatser, epidemier och mänskliga rättigheter. Det är en utgångspunkt som ingen konsult eller akademiker ensam kan efterlikna.
- Han driver Spotlab, ett verksamt AI-företag inom klinisk diagnostik. Hans synpunkter på AI-risker bygger på erfarenhet från produktionssystem i drift, inte på teoretisk styrning.
- Han har publicerat mer än 100 artiklar i tidskrifter som Nature och MIT Technology Review, och har informerat regeringar i Europa och USA, däribland Global Partnership on AI.
- Han uppfann MalariaSpot, ett crowdsourcat spel som gjorde tusentals medborgare till diagnostiska bidragsgivare. Han är väl insatt både i AI-etikens principer och i hur det ser ut när människor och AI faktiskt delar på arbetet.
Höjdpunkter i biografin
- Första chefsdataforskaren vid FN, UN Global Pulse, generalsekreterarens kansli, 2016–2022.
- Grundare och VD för Spotlab, en AI-plattform för klinisk forskning och universell diagnostik.
- Professor vid Universidad Politécnica de Madrid; doktorsexamen (särskilt pris) från samma institution; ytterligare en masterexamen från EHESS och École Normale Supérieure i Paris.
- Obama Foundation Leader (Europa 2023), Ashoka Fellow, MIT Technology Review TR35, Fellow vid Royal Society of Arts, EU:s pris för ansvarsfull forskning och innovation.
- Mer än 100 vetenskapliga artiklar, policybriefs och debattinlägg; omnämnd i Nature, MIT Technology Review, The Guardian och The New York Times.
- Uppfinnare av MalariaSpot.org, ett crowdsourcing-videospel för malariadiagnos.
Biografi
FN inrättade sin första tjänst som Chief Data Scientist 2016, och Miguel Luengo-Oroz innehade den i sex år. Uppdraget gick ut på att använda AI och datavetenskap för att lösa problem där det inte finns utrymme för fel: hantering av epidemier, flyktingströmmar, upptäckt av hatpropaganda, konfliktförebyggande och klimatfrågor. Den erfarenheten formade en arbetsfilosofi där ansvarsfull AI inte är ett värdeuttalande, utan en operativ disciplin.
Idag leder han Spotlab, en AI-plattform för klinisk forskning och diagnostik, uppbyggd kring smartphones, AI-modeller och 3D-utskrifter för att tillhandahålla kvalitativ diagnostik för sjukdomar som i stort sett saknas i den digitala hälsoekonomin. Han är även professor vid Universidad Politécnica de Madrid, där hans forskning spänner över generativ AI, kollektiv intelligens och systembiologi.
Hans kommentarer bygger på mer än 100 publikationer i bland annat Nature, MIT Technology Review, The Guardian och The New York Times, samt på rådgivningsarbete för regeringar i Europa och USA och inom Global Partnership on AI. Bland utmärkelserna kan nämnas Obama Foundation Leaders-programmet, ett Ashoka-stipendium, MIT TR35, EU:s pris för ansvarsfull forskning och innovation samt ett stipendium från Royal Society of Arts.
För ledande befattningshavare ligger värdet i kombinationen: en person som har utformat AI-policy inom världens mest granskade offentliga institution och som för närvarande levererar AI-produkter till reglerade medicinska miljöer. Han talar om risker och möjligheter med AI utifrån den praktiska erfarenheten hos någon som utför arbetet.
Viktiga föreläsningsämnen
- Ansvarsfull och etisk AI
- AI-styrning och teknik i allmänhetens intresse
- AI inom hälso- och sjukvård och diagnostik
- AI för hållbar utveckling och humanitära insatser
- Generativ AI: tillämpningar, risker och begränsningar
- Framtiden för AI-politik och reglering
- Datavetenskap inom multilaterala institutioner
Perfekt för
- Styrelser och ledningsgrupper som fastställer AI-styrning och riskhantering
- Teknikchefer, datachefer och AI-chefer som arbetar för att genomföra ansvarsfull AI
- Ledare inom hälso- och sjukvård, biovetenskap och läkemedelsindustrin som implementerar klinisk AI
- Ledningsgrupper inom offentlig sektor, multilaterala organisationer och icke-statliga organisationer som använder AI i policyarbete och verksamhet
Resultat för målgruppen
- En tydlig bild av var AI-riskerna faktiskt ligger vid implementeringen, bortom politiska uttalanden
- Konkreta exempel på hur AI tillämpas på problem med stora konsekvenser inom FN och i kliniska sammanhang
- Ett praktiskt ramverk för att skilja mellan ansvarsfull AI som disciplin och ansvarsfull AI som varumärke
- Mer precisa frågor att ställa till interna AI-program, leverantörer och tillsynsmyndigheter
- Ett realistiskt perspektiv på vad generativ AI kommer att innebära för organisationer under de kommande två till tre åren
Utvecklingssamtal
En jordnära genomgång av var AI levererar resultat, var den brister och vad ledare bör hålla ett öga på framöver.
Viktiga slutsatser:
- Var AI går från pilotprojekt till verklig drift, och var det inte gör det
- De kategorier av AI-risker som styrelser konsekvent underskattar
- Vad nästa fas av AI-regleringen kommer att kräva av organisationerna
Ansvarsfull AI ur FN:s perspektiv: principerna och vad som krävs för att omsätta dem i praktiken.
Viktiga slutsatser:
- Varför ansvarsfull AI är en tillämpningsdisciplin, inte en värdegrund
- Lärdomar från tillämpningen av AI inom flyktingfrågor, epidemier, hatpropaganda och mänskliga rättigheter
- Hur man integrerar AI-etik i produkt- och policybeslut som genomförs
Läget inom klinisk och diagnostisk AI, baserat på erfarenheter från driften av Spotlab i reglerade medicinska miljöer.
Viktiga slutsatser:
- Där AI fyller verkliga luckor inom diagnostiken, särskilt utanför system i höginkomstländer
- De utmaningar inom integration, regelverk och förtroende som avgör om klinisk AI kan skalas upp
- Vad ledare inom hälso- och sjukvården bör förvänta sig av AI-leverantörer under de kommande tre åren