在過去的幾年中，隨著AI解決方案在我們的日常生活中越來越根深蒂固，人工智能（AI）的偏見已成為熱門話題。 作為轉(zhuǎn)向數(shù)據(jù)科學(xué)的心理學(xué)家，這個話題非常貼切。

為了避免使AI模型產(chǎn)生偏差，首先必須意識到存在各種各樣的偏差。

為了檢測偏見，必須意識到它的存在。

為此，本文將指導(dǎo)您解決在開發(fā)AI的不同階段中可能遇到的許多常見和不常見的偏見。 這些階段包括：

· 數(shù)據(jù)采集

· 數(shù)據(jù)預(yù)處理

· 數(shù)據(jù)分析

· 建模

希望，了解您可能遇到的偏見將有助于您開發(fā)偏見較少的AI解決方案。

1.什么是偏見？

偏見被認為是對一個想法或事物的偏愛或偏見。 偏見通常是在人類的背景下想到的，但它可以存在于許多不同的領(lǐng)域：

· 統(tǒng)計信息-例如，統(tǒng)計信息的系統(tǒng)失真

· 研究-例如，偏向于發(fā)表某些實驗性重大成果

· 社會科學(xué)-例如，對某些人群的偏見

在本文中，我們將結(jié)合幾個領(lǐng)域，在這些領(lǐng)域中可能會出現(xiàn)（認知）偏差，以了解偏差如何進入人工智能。

在下文中，我將經(jīng)歷AI開發(fā)的常見階段，并確定步驟以檢測可能在哪里發(fā)現(xiàn)偏差。

2.數(shù)據(jù)收集

數(shù)據(jù)收集是您會發(fā)現(xiàn)偏見的第一個也是最常見的地方之一。 造成這種情況的最大原因是，數(shù)據(jù)通常是由人收集或創(chuàng)建的，從而允許錯誤，離群值和偏差易于滲入數(shù)據(jù)中。

數(shù)據(jù)收集過程中常見的偏見：

· 選擇偏差-選擇數(shù)據(jù)時樣本不能代表總體的數(shù)據(jù)選擇

例如，在許多社會研究中，研究人員一直在使用學(xué)生作為參與者，以檢驗其假設(shè)。 學(xué)生顯然不能代表一般人群，并且可能會偏向所發(fā)現(xiàn)的結(jié)果。

Selection Bias

· 框架效應(yīng)-調(diào)查以特定傾向構(gòu)建的問題。

如下圖所示，如果這個問題的答案是肯定的，那么人們更有可能挽救200條生命，而挽救所有人的幾率是33％。

當(dāng)出現(xiàn)正構(gòu)架提示（“挽救200條生命”）時，有72％的參與者選擇了治療A，而當(dāng)出現(xiàn)負構(gòu)架提示（“ 400人將死亡”）時，則下降為22％。

· 系統(tǒng)性偏差-這是一個一致且可重復(fù)的錯誤。

這通常是設(shè)備故障的結(jié)果。 由于此錯誤很難檢測，因此更正此錯誤很重要。 必須對機械或過程有充分的了解。

Systematic Error

· 回應(yīng)偏見—一系列偏見，參與者對問題的回答不正確或錯誤。

答復(fù)偏見經(jīng)常出現(xiàn)在問卷中。 由于這些都是參與者填寫的，因此人為偏見很容易在數(shù)據(jù)中找到。 例如，《社會可取性偏見》指出人們很可能否認其反應(yīng)中的不良特征。 這可以通過強調(diào)良好行為或低估不良行為來實現(xiàn)。 類似地，"問題順序偏向"指出人們可能會根據(jù)問題的順序不同地回答問題。

重要的是要了解，您如何設(shè)計收集過程會嚴重影響將要收集的數(shù)據(jù)類型。 如果不小心，您的數(shù)據(jù)將嚴重偏向某些群體。 任何結(jié)果分析都可能有缺陷！

3.數(shù)據(jù)預(yù)處理

處理數(shù)據(jù)時，可以采取許多步驟來準備進行分析：

· 離群值檢測

您通常希望刪除異常值，因為它們可能對某些分析產(chǎn)生不成比例的影響。 在所有人都在20到30歲之間的數(shù)據(jù)集中，一個110歲的人可能不太能代表數(shù)據(jù)。

· 缺失值

您如何處理某些變量的缺失值會引入偏差。 如果要用均值填充所有缺失值，那么您有意將數(shù)據(jù)推向均值。 這可能會使您偏向表現(xiàn)更接近均值的某些群體。

· 篩選資料

我已經(jīng)多次看到這種情況，對數(shù)據(jù)進行了如此多的過濾，以致于它幾乎不再代表目標人群。 這以某種方式將選擇偏差引入數(shù)據(jù)。

4.數(shù)據(jù)分析

在開發(fā)AI解決方案時，最終產(chǎn)品可能是模型或算法。 但是，在數(shù)據(jù)分析中也很容易發(fā)現(xiàn)偏差。 通常，我們會在數(shù)據(jù)分析中看到以下偏見：

· 誤導(dǎo)圖-扭曲的圖，它歪曲了數(shù)據(jù)，因此可能從中得出不正確的結(jié)論。

例如，當(dāng)報告分析結(jié)果時，數(shù)據(jù)科學(xué)家可以選擇將其圖的y軸從0開始。盡管這不會在數(shù)據(jù)本身中引入偏差，但由于差異似乎是 更明顯（見下圖）。

如果Y軸從0％開始，則農(nóng)作物產(chǎn)量的差異似乎很小。但是，簡單地將其更改為從70％開始會產(chǎn)生看似不同的觀點，而結(jié)果實際上是相同的。

如果您想進一步了解誤導(dǎo)圖的影響，強烈建議您閱讀"如何利用統(tǒng)計數(shù)據(jù)撒謊"一書！

· 確認偏見—傾向于專注于確認先入之見的信息的傾向。

假設(shè)您認為癌癥和喝酒之間有很強的關(guān)系。 在執(zhí)行分析時，您僅通過不考慮任何混淆變量來搜索以確認該假設(shè)。

The confirmation Bias

這似乎是一個極端的例子，您將永遠做不到。 但是現(xiàn)實是，人類天生就有偏見，這很難撼動。 發(fā)生在我身上的次數(shù)比我想承認的要多！

5.建模

當(dāng)談?wù)揂I的偏見時，人們通常指的是某種程度上有利于特定人群的AI系統(tǒng)。 一個很好的例子就是亞馬遜創(chuàng)建的招聘算法，該算法在決策中顯示了性別偏見。 他們用于此算法的數(shù)據(jù)主要由擔(dān)任技術(shù)職務(wù)的男性組成，這使其傾向于使用男性作為高潛力候選人。

這是垃圾填充現(xiàn)象的經(jīng)典示例，其中您的AI解決方案僅與您使用的數(shù)據(jù)一樣好。 這就是為什么在開始對數(shù)據(jù)進行建模之前檢測數(shù)據(jù)中的偏差如此重要的原因。

讓我們研究一下在創(chuàng)建預(yù)測模型時經(jīng)常會看到的幾種類型的偏差：

· 偏差/方差折衷-偏差（模型的基本假設(shè)）和方差（如果使用不同的數(shù)據(jù)，則預(yù)測的變化）之間的折衷。

具有高方差的模型將過多地關(guān)注火車數(shù)據(jù)，并且不能很好地推廣。 另一方面，高偏差假定數(shù)據(jù)始終以相同的方式運行，這很少是正確的。 當(dāng)增加偏見時，通常會降低方差，反之亦然。 因此，我們經(jīng)常尋求平衡偏見和差異。

Demonstrating the effect of the trade-off between bias and variance.

· 概念漂移–一種現(xiàn)象，目標變量的統(tǒng)計屬性會隨時間發(fā)生意外變化。

假設(shè)您創(chuàng)建了一個模型，可以預(yù)測在線商店中客戶的行為。 該模型起初很棒，但一年后性能下降。 發(fā)生的事情是客戶的行為在過去一年中發(fā)生了變化。 客戶行為的概念已經(jīng)改變，并對模型的質(zhì)量產(chǎn)生負面影響。

解決方案可能只是簡單地使用新數(shù)據(jù)重新訓(xùn)練您的模型，以便及時掌握新行為。 但是，可能需要一個全新的模型。

The original data (left) versus concept drift (right) after time has passed and new data was added.

· 分類不平衡-（目標）分類頻率的極端不平衡。

假設(shè)您要對圖片包含貓還是狗進行分類。 如果您有1000張狗的照片而只有10張貓的照片，則存在類不平衡。

階級失衡的結(jié)果是該模型可能偏向多數(shù)階級。 由于數(shù)據(jù)中的大多數(shù)圖片都是狗，因此該模型只需要始終猜測"狗"即可達到99％的準確率。 實際上，該模型尚未了解到貓和狗的圖片之間的差異。 可以通過選擇正確的驗證措施（例如，平衡準確度或F1得分而不是準確度）來補救。

6.接下來是什么？

在了解了AI解決方案中的所有這些潛在偏見之后，您可能會認為：

"但是我該如何消除解決方案中的偏見？"

我認為，要解決偏見，您需要了解其根源。 知道是成功的一半。 之后，由您自己確定消除或處理該特定偏差的方法。 例如，如果您發(fā)現(xiàn)問題是由于數(shù)據(jù)中的選擇偏差引起的，那么最好添加其他數(shù)據(jù)。 如果類別不平衡使您的模型更偏向多數(shù)群體，那么您可以研究重采樣策略（例如SMOTE）。

注意：有關(guān)常見認知偏差的交互式概述，請參見此驚人的可視化。