這個(gè)問題已經(jīng)在世界各地的會(huì)議和社交聊天的討論表中浮出水面了-“機(jī)器可以打開人類嗎？”這個(gè)問題經(jīng)常伴隨著《終結(jié)者》等電影的場(chǎng)景和視覺效果，但是我們所知道的和所看到的在大數(shù)據(jù)中使用AI的原因在于，在設(shè)計(jì)具有更復(fù)雜環(huán)境的更大規(guī)模的系統(tǒng)時(shí)，必須考慮某些不確定性和偏差。

機(jī)器“感覺”是什么？是什么使他們的行為方式不同于插入大型機(jī)的代碼？如今，艾薩克·阿西莫夫（Isaac Asimov）的三項(xiàng)法律在定義機(jī)器在復(fù)雜環(huán)境中的行為標(biāo)準(zhǔn)時(shí)是否仍然立于不敗之地？這些問題的答案在于我們選擇定義游戲規(guī)則以及機(jī)器如何應(yīng)對(duì)突然變化的方式。

在人工智能研究中，道德偏見是不確定性的一個(gè)特殊區(qū)域，涉及小裝飾品和杠桿，這些小裝飾品和杠桿會(huì)拉動(dòng)機(jī)器以有時(shí)看起來有些奇怪甚至有害的方式運(yùn)行。隨著無人駕駛汽車的興起和AI驅(qū)動(dòng)的生產(chǎn)方法逐漸占領(lǐng)世界，一個(gè)懸而未決的問題再次需要答案。我們?nèi)绾翁幚磉@些機(jī)器？

您可能還會(huì)喜歡： AI可以自我警戒并減少偏見嗎？

偏向簡介

從數(shù)據(jù)角度來看，偏差和方差與測(cè)量值與實(shí)際值的接近程度有關(guān)。在這種情況下，方差是測(cè)量值彼此之間相差多少的度量，偏差是指測(cè)量值與實(shí)際值相差多少。在具有高精度的模型的高度特定的情況下，方差和偏差都將很小。

但是，這可能反映出該模型對(duì)新數(shù)據(jù)的執(zhí)行效果有多差。然而，很難實(shí)現(xiàn)低偏差和方差，這是各地?cái)?shù)據(jù)分析師的禍根。對(duì)于涉及簡單決策而用簡單的二進(jìn)制計(jì)算還不夠的用例，偏差尤其難以處理。

您可能會(huì)想問偏見如何進(jìn)入系統(tǒng)。而且，如果一臺(tái)機(jī)器無法在不低于人類的臨界點(diǎn)上做出決定，那么為什么要首先使用它們呢？要回答這些問題，您需要查看在大數(shù)據(jù)領(lǐng)域中如何構(gòu)建模型的一般方法。

首先從執(zhí)行器和傳感器中收集并清除數(shù)據(jù)，這些數(shù)據(jù)可為分析人員提供原始數(shù)據(jù)。這些值然后經(jīng)過預(yù)處理步驟，在此將它們標(biāo)準(zhǔn)化，標(biāo)準(zhǔn)化或轉(zhuǎn)換為除去尺寸和單位的形式。一旦將數(shù)據(jù)轉(zhuǎn)換為合適的表格或逗號(hào)分隔格式，就將其插入到層或功能方程式網(wǎng)絡(luò)中。如果模型使用一系列隱藏層，請(qǐng)放心，它們將具有激活函數(shù)，該函數(shù)將在每個(gè)步驟中引入偏差。

但是，偏差也可以通過許多收集方法的陷阱進(jìn)入系統(tǒng)。也許數(shù)據(jù)沒有針對(duì)某一組或某類輸出進(jìn)行平衡，也許數(shù)據(jù)不完整/錯(cuò)誤，或者可能沒有任何數(shù)據(jù)開始。

隨著數(shù)據(jù)集變得越來越多且記錄不完整，系統(tǒng)肯定有可能用一些預(yù)定義的值填補(bǔ)這些空白。這導(dǎo)致另一種假設(shè)偏見。

黑匣子難題

許多學(xué)者還認(rèn)為，沒有適當(dāng)?shù)纳舷挛模瑪?shù)字可能不會(huì)意味著同一件事。例如，在有爭議的《鐘形曲線》一書中，作者關(guān)于種族群體間智商差異的說法受到了環(huán)境約束和差異概念的挑戰(zhàn)。但是，如果一個(gè)人能夠達(dá)成這樣的解決方案，那么一臺(tái)機(jī)器要花多長時(shí)間才能消除這種邏輯上的判斷失誤？

機(jī)會(huì)很小。如果機(jī)器被送入錯(cuò)誤或錯(cuò)誤的數(shù)據(jù)，它將輸出錯(cuò)誤的值。問題是由AI模型的構(gòu)建模棱兩可引起的。這些通常是黑盒模型，作為數(shù)據(jù)接收器和數(shù)據(jù)源存在，而沒有解釋內(nèi)部內(nèi)容。對(duì)于用戶而言，不能質(zhì)疑或質(zhì)疑這種黑匣子模型如何得出結(jié)果。此外，結(jié)果差異還需要解決其他問題。

由于缺乏對(duì)黑匣子運(yùn)作方式的了解，即使使用相同的輸入，分析師也可能得出不同的結(jié)果。對(duì)于精度不是關(guān)鍵因素的值，這種變化可能不會(huì)產(chǎn)生太大的影響，但是數(shù)據(jù)領(lǐng)域卻很少那么慷慨。

例如，如果AI系統(tǒng)無法預(yù)測(cè)高度特定的參數(shù)（例如pH值，溫度或大氣壓），則工業(yè)制造商將蒙受損失。但是，當(dāng)目標(biāo)是解決諸如貸款兼容性，犯罪再犯甚至適用于大學(xué)錄取等問題的答案時(shí)，AI缺乏清晰的價(jià)值將處于不利地位。但是，AI愛好者有責(zé)任從另一個(gè)角度解決這個(gè)問題。

必須解決層之間干擾的方法和規(guī)則，以解釋每一行代碼和系數(shù)所代表的含義。因此必須將黑匣子連根拔起并解剖，以了解是什么使機(jī)器滴答作響，這說起來容易做起來難。即使看一下最簡單的神經(jīng)網(wǎng)絡(luò)AI，也足以表明此類系統(tǒng)的原始性。節(jié)點(diǎn)和層全部堆疊在一起，各個(gè)權(quán)重與其他層的權(quán)重相互作用。

對(duì)于訓(xùn)練有素的人來說，這看起來像是一筆宏偉的交易，但是對(duì)于理解機(jī)器卻幾乎沒有解釋。難道僅僅是由于人類和機(jī)器語言水平的差異？是否可以采用一種外行可以理解的格式來分解機(jī)器語言的邏輯？

偏見的類型

回顧數(shù)據(jù)分析中偏差的歷史，由于技術(shù)不正確或負(fù)責(zé)分析的實(shí)體中預(yù)定義的偏差，可能會(huì)引入多種偏差。歸因于程序員的某些傾向和興趣，由于模型的定位錯(cuò)誤，可能會(huì)產(chǎn)生錯(cuò)誤的假設(shè)和偏見。

這是某些營銷分析師在處理潛在客戶時(shí)常犯的錯(cuò)誤。收集軟件可提供有關(guān)轉(zhuǎn)化者和未轉(zhuǎn)化者的大量數(shù)據(jù)。大多數(shù)人可能會(huì)傾向于只針對(duì)未轉(zhuǎn)換的潛在客戶建立模型，而不是只關(guān)注同時(shí)針對(duì)兩種人群的模型。這樣一來，他們最終將自己弄瞎了已成為客戶的可用數(shù)據(jù)的豐富性。

困擾AI模型的另一個(gè)問題是無法正確分類或錯(cuò)誤分類數(shù)據(jù)，最終導(dǎo)致分析人員陷入災(zāi)難。在生產(chǎn)行業(yè)中，此類錯(cuò)誤屬于Type I和Type II類別-前者是在對(duì)不屬于記錄的記錄進(jìn)行分類時(shí)，后者是在無法對(duì)屬于的記錄進(jìn)行分類時(shí)。從生產(chǎn)批次的角度來看，質(zhì)量控制工程師只需對(duì)產(chǎn)品的一小部分進(jìn)行測(cè)試，即可迅速提高產(chǎn)品的準(zhǔn)確性。它可以節(jié)省時(shí)間和金錢，但它可能是發(fā)生這種假設(shè)偏差的理想環(huán)境。

在圖像檢測(cè)軟件中觀察到了另一個(gè)類似的示例，其中神經(jīng)網(wǎng)絡(luò)掃描圖片的損壞部分以重建邏輯形狀。圖像中對(duì)象方向的相似性可能會(huì)導(dǎo)致多個(gè)問題，這些問題可能導(dǎo)致模型給出令人吃驚的爭議性結(jié)果。當(dāng)前時(shí)代的卷積神經(jīng)網(wǎng)絡(luò)能夠分解這種復(fù)雜性，但需要大量測(cè)試和訓(xùn)練數(shù)據(jù)才能得出合理的結(jié)果。

某些偏差是由于缺乏正確的數(shù)據(jù)（使用不必要的甚至是不必要的復(fù)雜模型）導(dǎo)致的。通常認(rèn)為，某些模型和神經(jīng)網(wǎng)絡(luò)編程僅應(yīng)在達(dá)到統(tǒng)計(jì)上顯著數(shù)量的記錄后才應(yīng)用于數(shù)據(jù)集。這也意味著必須將算法設(shè)計(jì)為可重復(fù)地及時(shí)檢查數(shù)據(jù)質(zhì)量。

與AI對(duì)抗AI

AI偏見的問題解決方案是否隱藏在AI本身內(nèi)？研究人員認(rèn)為，改進(jìn)分析人員收集和劃分信息的調(diào)整方法非常重要，并且應(yīng)考慮到并非所有信息都是必需的。

話雖這么說，應(yīng)該更加強(qiáng)調(diào)消除和消除使模型完全不適當(dāng)?shù)妮斎牒椭?。?shù)據(jù)審計(jì)是另一種可以及時(shí)檢查和消除偏差的方法。與任何標(biāo)準(zhǔn)審核程序一樣，此方法涉及徹底清除和檢查已處理數(shù)據(jù)以及原始輸入數(shù)據(jù)。審核員跟蹤更改并記下可以對(duì)數(shù)據(jù)進(jìn)行的改進(jìn)，并確保數(shù)據(jù)對(duì)所有利益相關(guān)者具有完全的透明度。

專門的XAI模型也存在疑問，可以在適當(dāng)?shù)那闆r下將其放在問題表中。這些模型涉及非常詳細(xì)的參數(shù)模型開發(fā)，其中記錄了每個(gè)步驟和更改，從而使分析人員可以查明可能的問題并觸發(fā)實(shí)例。

AI也已成為驗(yàn)證模型的準(zhǔn)確性和混淆矩陣的前沿，而不是依靠諸如ROC曲線和AUC曲線之類的簡單工具。這些模型著眼于在部署數(shù)據(jù)集之前執(zhí)行重復(fù)的質(zhì)量檢查，并嘗試覆蓋數(shù)據(jù)的整體類，而不管分布或形狀如何。對(duì)于數(shù)據(jù)集來說，這種預(yù)測(cè)試的性質(zhì)變得更加困難，因?yàn)閿?shù)據(jù)集的單位和范圍的差異在輸入中有很大差異。同樣，對(duì)于與媒體相關(guān)的數(shù)據(jù)，分解內(nèi)容并將其壓縮為數(shù)字格式所花費(fèi)的時(shí)間仍然會(huì)導(dǎo)致偏差。

但是，由于數(shù)據(jù)透明性和第三方檢查的基礎(chǔ)知識(shí)有了新的變化，公司至少意識(shí)到了出問題了。在模型之間也插入了新的解釋器循環(huán)，以強(qiáng)調(diào)填充大多數(shù)AI模型的黑匣子。這些再次由AI模型驅(qū)動(dòng)，這些AI模型經(jīng)過系統(tǒng)微調(diào)以查找不一致和錯(cuò)誤。

AI道德失范的幾個(gè)案例

數(shù)據(jù)分析人員會(huì)熟悉假陰性和假陽性的概念。這些在確定輸出方面的差異會(huì)導(dǎo)致特殊情況的錯(cuò)誤，從而對(duì)人員造成不利影響。錯(cuò)誤的否定看跌期權(quán)是系統(tǒng)錯(cuò)誤地將肯定的類別識(shí)別為否定的情況。類似地，當(dāng)否定類別被錯(cuò)誤地識(shí)別為肯定時(shí)，就會(huì)出現(xiàn)假肯定。

在實(shí)際的大數(shù)據(jù)研究中，可以更好地理解此類虛假案件的嚴(yán)重性。在使用logistic回歸模型對(duì)冠心?。ü谛牟。┻M(jìn)行建模的著名案例中，盡管誤報(bào)率和誤報(bào)率的準(zhǔn)確性很高，但混淆矩陣卻產(chǎn)生了大量。對(duì)于普通人來說，準(zhǔn)確的模型似乎是唯一重要的“成敗”檢查。但是，即使在數(shù)據(jù)分析的初期，也很明顯，這樣的模型會(huì)變得平淡無奇，甚至?xí)`診新患者。

通過收集更多的數(shù)據(jù)流并清洗列以進(jìn)行更好的數(shù)據(jù)標(biāo)準(zhǔn)化來進(jìn)行權(quán)衡。如今，這一步驟已成為該行業(yè)的主食。

Uber的自動(dòng)駕駛汽車在測(cè)試階段遭受撞車并不是業(yè)內(nèi)專業(yè)人員關(guān)注的唯一危險(xiǎn)信號(hào)。這些恐懼也擴(kuò)展到其他領(lǐng)域，例如識(shí)別和機(jī)器感知。科技巨頭亞馬遜的模式已經(jīng)學(xué)會(huì)發(fā)展媒體所謂的對(duì)女性的“性別偏見”，因此受到媒體的審查。

在令人震驚的求職者偏見的情況下（先前曾與科技公司的求職者見過），這些模型對(duì)女性的應(yīng)聘工作產(chǎn)生的負(fù)面依從性高于男性。另一方面，在諸如Apple之類的科技巨頭中也發(fā)現(xiàn)了問題，消費(fèi)者大肆宣傳FaceID，允許不同的用戶訪問鎖定的手機(jī)?？赡苡腥藸庌q說，即使對(duì)于不同的人，用于識(shí)別面部表情以進(jìn)行檢測(cè)的模型也可能會(huì)產(chǎn)生相似的結(jié)果。

工程師堅(jiān)持消除錯(cuò)誤并得出結(jié)論認(rèn)為，可疑輸入會(huì)產(chǎn)生假設(shè)偏差只是時(shí)間問題。由于未能整合道德價(jià)值觀，人工智能在醫(yī)學(xué)界的重大飛躍已經(jīng)縮回了一個(gè)臺(tái)階。可以取代旅途中的護(hù)士和員工的價(jià)值觀。這主要是通過解釋所有可能數(shù)量的案例示例來解決的，在這些案例中，機(jī)器可以正確地替代人員并做出完全相同的決定。雖然，哲學(xué)專業(yè)的學(xué)生可能會(huì)爭辯說，即使人類也沒有遵循一套指導(dǎo)方針。有各種道德學(xué)派-康德，平等主義者，功利主義者等。這些思想流派如何適應(yīng)各種倫理難題，取決于個(gè)人及其利益。

在著名的拉桿箱中，一個(gè)人拉動(dòng)或不拉動(dòng)杠桿的傾向純粹是由該人所處的道德框架決定的。當(dāng)機(jī)器代替決策者時(shí)，問責(zé)制的問題變得模糊。

最后的話-如何使AI更符合道德

我們對(duì)這些系統(tǒng)的容忍度在哪里永恒的問題導(dǎo)致將機(jī)器納入我們的日常活動(dòng)中。人工智能一直是諸如運(yùn)輸，預(yù)測(cè)研究，金融投資，安全，通信和生產(chǎn)等救生和支持框架的基礎(chǔ)。它已滲透到人類生活的所有重要方面，而沒有引起很多反對(duì)者的注意。

當(dāng)AI無法嵌入創(chuàng)建它的人類所遵循的哲學(xué)時(shí)，就劃出了界線。我們與葉夫根尼·扎米亞?。╕evgeny Zamyatin）和艾倫·圖靈（Alan Turing）時(shí)代一樣遙遙領(lǐng)先，當(dāng)時(shí)機(jī)器被認(rèn)為是公正的。通過教導(dǎo)人工智能具有道德性，在機(jī)器中煥發(fā)出新的生命是一項(xiàng)挑戰(zhàn)，而這一挑戰(zhàn)落到了對(duì)人類意味著什么的根本問題上。

我們現(xiàn)在知道，要構(gòu)建一個(gè)完善的道德框架，必須將AI精簡到其基本要點(diǎn)，并需要采用一種強(qiáng)調(diào)上下文的方法來強(qiáng)調(diào)結(jié)果的質(zhì)量。與工作場(chǎng)所多元化的基本原理一樣，步驟很簡單：

密切注意數(shù)據(jù)。 保持變化但標(biāo)準(zhǔn)化。 讓團(tuán)隊(duì)不時(shí)監(jiān)視預(yù)處理步驟。 在輸出中消除任何形式的排除。 刪除可能對(duì)模型錯(cuò)誤或無用的垃圾值。 優(yōu)化，審核，共享和重新收集結(jié)果，并將其納入模型。 消除交互作用和數(shù)據(jù)孤島，并始終進(jìn)行健全性檢查，以最終確定目標(biāo)是什么。 消除數(shù)據(jù)孤島，教AI思考而不是建模思考。 保持對(duì)Johari意識(shí)的關(guān)注。涵蓋未知的已知和已知的未知。至于未知的未知數(shù)，不幸的是，這種偏見將始終存在。