使 AI 具有包容性的一个重要部分是管理和构建针对多种类型用户的数据集。这样做很复杂，但首先要解决比一般用户更多样化的用户角色。
人工智能本地化在行动
谷歌是一家通过其核心搜索产品做好 AI 本地化的公司的例子。如果您使用 Google 搜索美国的足球一词，Google 会生成以为中心的结果，这对于美国人如何定义足球很有意义。但在英国，搜索会带来世界杯预选赛的结果。在瑞典，这样 马来西亚电话号码数据 的搜索结果会在维基百科页面中显示不同类型的足球，据乔纳斯说，这反映 马来西亚电话号码数据了“瑞典中立的做事方式”。这是人工智能本地化如何超越语言的一个例子。上下文需要本地化，就像谷歌对搜索结果所做的那样。
Spotify 是使用 AI 本地化体验的另一个例子。Spotify 以约 36 种新 语言向 80 个市场提供服务，从而提供全球服务。Spotify 使用 AI 根据您的聆听体验创建定制的音乐播放列表。这些播放列表因全球位置而异。Spotify 是本地化内容和超越语言翻译体验的另一个例子。如果您想展示一份能引起德国人共鸣的产品清单，该清单应该不同于您向瑞典、印度或美国的人展示的清单。本地化产品推荐与语言无关。
人工智能本地化的成功因素
以人为本的设计。以全球视野设计以人为中心的人工智能是极其重要的。不要让人们成为事后的想法。不要让 AI 本地化成为附加组件。
让人类参与其中。让人类参与整个设计过程，让 AI 变得 可爱是极其重要的。您需要让人类参与进来，为每种文化和每种类型的用户提供正确的数据。
包容。如果你以人为中心开始设计 AI，你就会很清楚谁将使用 AI 产品。从那里开始，您必须确保用于训练 AI 的数据集也与用户组相对应。您不能使用通用角色来满足这些用户组的需求。您需要没有偏见的数据集；涵盖所有种族、性别、年龄、社区、国籍等。这应该用指标进行跟踪和测试，以确保我们不会引入偏见。
释放伙伴关系的力量。没有一家公司可以单独掌握 AI 本地化。这个过程需要一个由拥有规模、影响力、技术和专业知识的专家组成的生态系统——重要的是，还需要一个了解如何减少甚至消除 AI 偏见的合作伙伴。例如，人工智能本地化需要正确的技术来收集和管理数十万数据资产；以及管理准确性和质量的框架，这是语言服务提供商几十年来一直在做的事情。
如何测试数据以阻止偏见
如前所述，通过 AI 本地化消除偏见意味着：
以人为中心设计 AI。这样做的一部分意味着构建比企业已经习惯使用的通用角色更加多样化和细微差别的角色。
依靠代表不同文化、语言和领域专业知识的全球多元化团队来训练 AI 产品使用的数据。这些资源也必须拥有领域专业知识——例如，医疗保健等行业的专业知识。
