Limor Ziv
De fleste AI-implementeringer går i stå, når ledelsen ikke kan forsvare systemet over for en tilsynsmyndighed, en kunde eller et risikoudvalg i bestyrelsen. Udfordringen ligger ikke i at udvikle en model, men i at bevise, at de underliggende data er nøjagtige, repræsentative og kan underkastes revision, og at de beslutninger, modellen træffer, kan forklares, hvis noget går galt.
Dr. Limor Ziv er grundlægger og administrerende direktør for Humane AI samt postdoktor ved Bar-Ilan Universitetet, hvor hun hjælper organisationer med at omsætte principper for ansvarlig kunstig intelligens til styrings-, data- og risikopraksis, der kan stå sin prøve ved nærmere granskning.
Full Profile
Hvorfor virksomheder samarbejder med Limor Ziv
- Hun omsætter AI-etik fra teori til praksis og har arbejdet med navngivne kunder som Google, KPMG, Accenture, SolarEdge og CyberArk for at vise, hvad det fører til i praksis.
- Hendes rådgivning er baseret på institutioner, ikke på meninger: hun er medlem af AI Ethics Advisory Board ved Northeastern University's Institute for Experiential AI og medlem af det videnskabelige råd ved Israeli Association for Ethics in AI.
- Hendes empiriske forskning med 74 senior AI- og dataeksperter, offentliggjort i MDPI's Machine Learning and Knowledge Extraction i 2025, giver bestyrelser en forsvarlig model for at behandle data som AI's drivkraft snarere end som et biprodukt.
- Hun arbejder i grænsefeltet mellem akademisk troværdighed og kommerciel implementering; den samme person holder foredraget og leder workshoppen bagefter.
- Hun har stor troværdighed i spørgsmålet om kvinder i AI og har offentlige roller i Israels data- og etikmiljøer, uden at dette udgør en separat kategori af hovedtalere.
Højdepunkter i biografien
- Grundlægger og CEO, Humane AI, rådgiver multinationale virksomheder, regeringer og tech-virksomheder om ansvarlig AI, datakvalitet og risiko.
- Postdoktor i menneske-AI-interaktion, Bar-Ilan University; ph.d., Tel Aviv University.
- Medforfatter til "Behind the Algorithm: International Insights into Data-Driven AI Model Development" (MDPI, 2025), baseret på interviews med 74 ledende AI- og dataeksperter.
- Medlem af AI Ethics Advisory Board, Institute for Experiential AI, Northeastern University.
- Medlem af det videnskabelige råd, Israeli Association for Ethics in AI (IAEAI).
- Udnævnt til hovedtaler og konsulentarbejde for Google, KPMG, Accenture, SolarEdge, CyberArk, Bright Data, Medison Pharma og Tel Aviv Kommune.
Biografi
De fleste AI-fejl starter ikke med modellen. De starter med dataene bag den og med et styringsmæssigt hul, som ingen i ledelsen helt kan finde. Dr. Limor Ziv grundlagde Humane AI for at lukke dette hul og arbejder sammen med multinationale virksomheder, regeringer og tech-virksomheder for at gøre AI-systemer forsvarbare fra datalaget og opefter.
Forskningen understøtter konsulentarbejdet. Hendes artikel fra 2025 sammen med Maayan Nakash, der blev offentliggjort i MDPI's Machine Learning and Knowledge Extraction, bygger på interviews med 74 ledende AI- og dataeksperter på tværs af lande og sektorer. Den identificerer de tilbagevendende sociotekniske sammenbrud, som ledere møder, når de forsøger at industrialisere AI, fra datakvalitet og styring til kontekstualisering og forretningsmæssig tilpasning.
Den institutionelle baggrund er usædvanlig for en konsulentvirksomheds grundlægger. Hun sidder i AI Ethics Advisory Board ved Northeastern University's Institute for Experiential AI, i det videnskabelige råd for den israelske forening for etik inden for AI og fortsætter sit postdoktorale arbejde med interaktion mellem mennesker og AI ved Bar-Ilan efter sin doktorgrad i Tel Aviv. Denne bredde holder arbejdet tæt på aktuelle lovgivningsmæssige og akademiske diskussioner frem for en sammenfatning i form af en præsentation.
For seniorindkøbere er det praktiske produkt et brugbart sprog for AI-risiko, der ikke ender i enten compliance-teater eller teknisk jargon. Hendes kunder, der er nævnt på hendes egen hjemmeside, omfatter Google, KPMG, Accenture, SolarEdge, CyberArk, Bright Data og Tel Aviv Kommune. Opgaven er den samme for dem alle: at føre ansvarlig AI fra princip til praktisk virkelighed og sikre, at dataene bag systemet kan stå sin prøve, når nogen spørger, hvordan en beslutning blev truffet.
Vigtigste emner
- Ansvarlig AI og AI-etik
- AI-risikostyring og compliance
- AI-governance og reguleringsparathed
- Datakvalitet og datacentreret AI
- Interaktion mellem mennesker og AI samt menneskecentreret design
- AI i regulerede sektorer, herunder sundhed og finans
- Implementering af ansvarlig AI i virksomheden
Ideel til
- Bestyrelser og ledelsesudvalg, der iværksætter rammer for AI-styring og risikostyring.
- Chief AI Officers, Chief Data Officers og CISO'er, der implementerer ansvarlig AI-politik.
- Ledelse i regulerede brancher inden for sundhedspleje, finansielle tjenester og den offentlige sektor, der kæmper med implementering af AI under pres for at overholde lovgivningen.
- Ledere inden for innovation og transformation, der går fra AI-pilotprojekter til produktion med tilhørende styring.
Resultater for målgruppen
- En arbejdsdefinition af AI-risiko, der skelner mellem datarisiko, modelrisiko og beslutningsrisiko, samt en fornemmelse af, hvor hver af disse findes i organisationen.
- Et overblik over, hvad datacentreret AI faktisk kræver af driftsteams, baseret på hendes empiriske forskning med 74 erfarne fagfolk.
- En velunderbygget fortolkning af de aktuelle lovgivningsmæssige og etiske debatter fra en person, der sidder i to navngivne rådgivende organer for AI-etik.
- Et mere ærligt billede af, hvad ansvarlig AI koster, og hvad den giver tilbage, når en virksomhed forsøger at integrere den i stedet for at offentliggøre den.
Samtaler
En overordnet oversigt over, hvor kunstig intelligens skaber målbar værdi, og hvor den udgør den største organisatoriske risiko.
Hovedpunkter:
- En praktisk oversigt over AI-risikokategorier, fra data- og modelrisiko til implementering og omdømmerisiko.
- De beslutningspunkter, hvor ledende sponsorer typisk mister kontrollen over et AI-program.
- En ramme for prioritering af AI-investeringer i forhold til organisationens risikovillighed.
Et arbejdsmøde om identifikation, styring og begrænsning af AI-risici i driftsorganisationer.
Vigtigste pointer:
- Hvordan AI-risici adskiller sig fra konventionelle teknologirisici, og hvorfor eksisterende risikofunktioner har svært ved at håndtere dem.
- Praktiske retningslinjer for AI-udviklingshold, der kan modstå kontakt med tilsynsmyndigheder og revisorer.
- De datahygiejne- og dokumentationspraksisser, der omdanner AI-risikopolitikken til AI-risikopraksis.
Sådan ser ansvarlig AI ud, når den implementeres på tværs af produkt-, data- og styringsfunktioner.
Vigtige pointer:
- Oversættelsesproblemet mellem AI-etiske principper og krav til leverbare systemer.
- Roller, ansvarsfordeling og kontrolmekanismer, der gør ansvarlig AI kontrollerbar.
- Hvor ansvarlig AI overlapper med eksisterende regler for privatliv, sikkerhed og compliance, og hvor den ikke gør det.
En gennemgang af det nuværende og kommende lovgivningsmæssige landskab med implikationer for AI-strategien.
Vigtige pointer:
- Arkitekturen i EU’s AI-lov og tilstødende ordninger, forklaret i enkle driftsmæssige termer.
- Hvad tilsynsmyndighederne sandsynligvis vil spørge om først, og hvilken dokumentation organisationer skal have klar.
- Hvordan man fastlægger interne retningslinjer, der forudser regulering i stedet for at reagere på den.
Sådan udformes en AI-styring, der integreres i den eksisterende virksomhedsledelse, ikke kører parallelt med den.
Vigtige pointer:
- Governance-strukturer for AI-porteføljer, fra styringsudvalg til modelregistre.
- Beslutningsrettigheder og eskaleringsveje mellem data-, AI-, risiko- og juridiske funktioner.
- Mønstre for styringssvigt i tidlige AI-programmer i virksomheder, og hvordan man undgår dem.
Grundlæggende viden om forskning i interaktion mellem mennesker og kunstig intelligens anvendt på produkt- og arbejdspladsdesign.
Vigtige pointer:
- Bevis for, hvordan brugere rent faktisk interagerer med AI-systemer, og hvor tilliden bryder sammen.
- Designvalg, der beskytter menneskelig dømmekraft i stedet for at erstatte den.
- Tværfaglige input, fra psykologi til politik, der styrker beslutningerne om AI-produkter.
Et overblik over, hvordan organisationer bør strukturere arbejde, roller og kompetencer omkring AI i stedet for ved siden af den.
Vigtige pointer:
- Skiftet fra automatiseringstænkning til forstærkningstænkning inden for driftsteams.
- Investeringer i kompetencer, som ledere konsekvent undervurderer under implementeringen af AI.
- En model til at designe arbejdsgange mellem mennesker og AI, der holder under driftsmæssigt pres.