Limor Ziv
De flesta AI-implementeringar avstannar när ledningen inte kan försvara systemet inför en tillsynsmyndighet, en kund eller en riskkommitté i styrelsen. Utmaningen ligger inte i att bygga en modell, utan i att bevisa att underliggande data är korrekta, representativa och granskbara, samt att de beslut som modellen genererar går att förklara när något går fel.
Dr Limor Ziv är grundare och vd för Humane AI samt postdoktorand vid Bar-Ilan-universitetet. Hon hjälper organisationer att omsätta principer för ansvarsfull AI i styrnings-, data- och riskhanteringsrutiner som håller vid en närmare granskning.
Full Profile
Varför organisationer anlitar Limor Ziv
- Hon omsätter AI-etik från teori till praktisk tillämpning, med namngivna kunduppdrag hos Google, KPMG, Accenture, SolarEdge och CyberArk som visar vilka resultat det ger i praktiken.
- Rådgivningen bygger på institutioner, inte på åsikter: AI Ethics Advisory Board vid Northeastern University's Institute for Experiential AI och medlem i Scientific Council vid Israeli Association for Ethics in AI.
- Hennes empiriska forskning med 74 erfarna AI- och dataexperter, publicerad i MDPI:s Machine Learning and Knowledge Extraction 2025, ger styrelser en hållbar modell för att behandla data som AI:s operativa substans snarare än dess biprodukt.
- Hon arbetar i gränslandet mellan akademisk trovärdighet och kommersiell tillämpning; samma person håller föreläsningen och leder workshopen efteråt.
- Trovärdighet i frågan om kvinnor inom AI, med offentliga roller i Israels data- och etikgemenskaper, utan att omvandla detta till en separat kategori av huvudtalare.
Biografiska höjdpunkter
- Grundare och VD för Humane AI, som ger råd till multinationella företag, regeringar och teknikföretag om ansvarsfull AI, datakvalitet och risker.
- Postdoktorand i människa-AI-interaktion, Bar-Ilan University; doktorsexamen, Tel Aviv University.
- Medförfattare till ”Behind the Algorithm: International Insights into Data-Driven AI Model Development” (MDPI, 2025), baserad på intervjuer med 74 erfarna AI- och dataexperter.
- Medlem i AI Ethics Advisory Board, Institute for Experiential AI, Northeastern University.
- Medlem i vetenskapliga rådet, Israeli Association for Ethics in AI (IAEAI).
- Utnämnd till huvudtalare och konsult för Google, KPMG, Accenture, SolarEdge, CyberArk, Bright Data, Medison Pharma och Tel Avivs kommun.
Biografi
De flesta AI-misslyckanden börjar inte med modellen. De börjar med data bakom den och med en styrningsbrist som ingen i ledningsgruppen riktigt kan sätta fingret på. Dr Limor Ziv grundade Humane AI för att överbrygga denna klyfta och arbetar med multinationella företag, regeringar och teknikföretag för att göra AI-system försvarbara från datalagret och uppåt.
Forskningen ligger till grund för konsultverksamheten. Hennes artikel från 2025 tillsammans med Maayan Nakash, publicerad i MDPI:s Machine Learning and Knowledge Extraction, bygger på intervjuer med 74 erfarna AI- och dataexperter från olika länder och sektorer. Den identifierar de återkommande sociotekniska problem som ledare stöter på när de försöker industrialisera AI, från datakvalitet och styrning till kontextualisering och affärsanpassning.
Den institutionella basen är ovanlig för en konsultgrundare. Hon sitter i AI Ethics Advisory Board vid Northeastern Universitys Institute for Experiential AI, i Scientific Council of the Israeli Association for Ethics in AI, och fortsätter sitt postdoktorala arbete om människa-AI-interaktion vid Bar-Ilan efter sin doktorsexamen i Tel Aviv. Den bredden håller arbetet nära aktuella regulatoriska och akademiska diskussioner snarare än sammanfattningar i presentationsbilder.
För seniora inköpare är den praktiska produkten ett användbart språk för AI-risker som inte förfaller till vare sig efterlevnadsteater eller teknisk jargong. Bland hennes kunder, som nämns på hennes egen webbplats, finns Google, KPMG, Accenture, SolarEdge, CyberArk, Bright Data och Tel Avivs kommun. Uppdraget är detsamma för alla: att förverkliga ansvarsfull AI från teori till praktik och se till att data som ligger till grund för systemet håller måttet när någon frågar hur ett beslut fattades.
Viktiga talarteman
- Ansvarsfull AI och AI-etik
- Riskhantering och regelefterlevnad inom AI
- AI-styrning och beredskap inför reglering
- Datakvalitet och datacentrerad AI
- Interaktion mellan människa och AI samt människocentrerad design
- AI i reglerade sektorer, inklusive hälso- och sjukvård samt finans
- Operationalisering av ansvarsfull AI i företaget
Perfekt för
- Styrelser och ledningsgrupper som uppdrar AI-styrning och riskramverk.
- AI-chefer, datachefer och CISO:er som implementerar en policy för ansvarsfull AI.
- Ledare inom reglerade branscher som hälso- och sjukvård, finansiella tjänster och den offentliga sektorn som brottas med AI-implementering under trycket från regleringskrav.
- Chefer för innovation och transformation som går från AI-pilotprojekt till produktion med tillhörande styrning.
Resultat för målgruppen
- En arbetsdefinition av AI-risk som skiljer mellan datarisk, modellrisk och beslutsrisk, samt en förståelse för var dessa risker finns i organisationen.
- En bild av vad datacentrerad AI faktiskt kräver av operativa team, hämtad från hennes empiriska forskning med 74 erfarna praktiker.
- En välgrundad tolkning av de aktuella debatterna om reglering och etik, från en person som sitter i två namngivna rådgivande organ för AI-etik.
- En mer ärlig bild av vad ansvarsfull AI kostar och vad den ger tillbaka när ett företag försöker integrera den istället för att publicera den.
Utvecklingssamtal
En översikt på ledningsnivå över var AI skapar mätbart värde och var det medför de största organisatoriska riskerna.
Viktiga slutsatser:
- En praktisk översikt över AI-riskkategorier, från data- och modellrisker till implementerings- och anseenderisker.
- De beslutspunkter där ledande sponsorer vanligtvis tappar kontrollen över ett AI-program.
- Ett ramverk för att prioritera AI-investeringar utifrån organisationens riskaptit.
Ett arbetsmöte om hur man identifierar, hanterar och minskar AI-risker inom operativa organisationer.
Viktiga slutsatser:
- Hur AI-risker skiljer sig från konventionella teknikrisker och varför befintliga riskfunktioner har svårt att hantera dem.
- Praktiska riktlinjer för AI-utvecklingsteam som klarar granskning av tillsynsmyndigheter och revisorer.
- De rutiner för datahygien och dokumentation som omvandlar AI-riskpolicy till AI-riskpraxis.
Hur ansvarsfull AI ser ut när den tillämpas inom produkt-, data- och styrningsfunktioner.
Viktiga slutsatser:
- Översättningsproblemet mellan AI-etiska principer och krav på leveransbara system.
- Roller, ansvarsområden och granskningsmekanismer som gör ansvarsfull AI granskbar.
- Var ansvarsfull AI överlappar befintliga system för integritet, säkerhet och efterlevnad, och var den inte gör det.
En genomgång av det nuvarande och framväxande regelverket, med konsekvenser för AI-strategin.
Viktiga slutsatser:
- Uppbyggnaden av EU:s AI-lag och tillhörande regelverk, i enkla termer.
- Vad tillsynsmyndigheterna sannolikt kommer att fråga om först, och vilken dokumentation organisationer behöver ha redo.
- Hur man fastställer en intern policy som föregriper regleringen snarare än reagerar på den.
Hur man utformar en AI-styrning som integreras med befintlig bolagsstyrning, inte löper parallellt med den.
Viktiga slutsatser:
- Styrningsstrukturer för AI-portföljer, från styrkommittéer till modellregister.
- Beslutsrättigheter och eskaleringsvägar mellan data-, AI-, risk- och juridiska funktioner.
- Mönster för styrningsmisslyckanden i tidiga AI-program inom företag och hur man undviker dem.
Grundläggande kunskaper inom forskning om interaktion mellan människa och AI tillämpad på produkt- och arbetsplatsdesign.
Viktiga slutsatser:
- Bevis på hur användare faktiskt interagerar med AI-system och var förtroendet bryts.
- Designval som skyddar människans omdöme istället för att ersätta det.
- Tvärvetenskapliga insikter, från psykologi till politik, som stärker beslut kring AI-produkter.
En syn på hur organisationer bör strukturera arbete, roller och kompetens kring AI snarare än vid sidan av den.
Viktiga slutsatser:
- Övergången från automatiseringstänkande till förstärkningstänkande inom operativa team.
- Kompetensinvesteringar som ledare konsekvent underskattar vid införandet av AI.
- En modell för att utforma arbetsflöden mellan människa och AI som håller under operativ press.