透過研究顯示，人類研發的機器也能學到人類看世界的觀點，無論是否有意。對閱讀文本的人工智慧來說，它可能會將「醫生」一詞與男性優先關聯，而非女性，或影像辨識也會更大機率將黑人錯誤分類為大猩猩。
2015 年，Google Photos 應用誤把兩名黑人標註為「大猩猩」，當時這錯誤意味著 Google 的機器學習還處於「路漫漫其修遠兮」的狀態。Google 立即對此道歉，並表示將調整演算法，以修復該問題。近日，身為錯誤的責任方，Google 正在嘗試讓大眾了解 AI 如何不經意間永久學到創造它們的人持有的偏見；一方面，這是 Google 對外 PR（公關）的好方式，其次，AI 工程師也可用一種簡單的方法來簡介自己的偏見演算法。
在影片中，Google 介紹了 3 種偏見：
互動偏差：用戶可透過我們與其互動的方式來偏移演算法。例如，Google 召集一些參與者，讓他們每人畫一只鞋，但多半用戶會選擇畫男鞋，故以這些資料為基礎的系統可能不會知道高跟鞋也是鞋子。
潛在偏差：該演算法會將想法和性別、種族、收入等不正確地聯繫。例如，當用戶在 Google Search 搜尋「醫生」時，出現的大多為白人男性。
之前 Quarts 發了一則相關新聞，該報導稱，經普林斯頓大學最新研究成果，這些偏見，如將醫生與男性相關聯，將護士與女性關聯，都來自演算法被教授的語言影響。正如一些資料科學家所說：沒有好的資料，演算法也做不出好決策。
選擇偏差：據了解，用於訓練演算法的資料量已大大超過全球人口，如果訓練影像辨識的資料僅針對白人進行，那麼得到的資料也只能來自 AI 有限的認定。
（Source：Qaurtz）
去年 6 月，「青年實驗室」（輝達、微軟等科技巨擘均是該實驗室的合作夥伴和支援者）舉辦了一次 Beauty.ai 網路選美大賽。比賽透過人工智慧分析，徵集了 60 萬條紀錄。演算法參考皺紋、臉部比例、皮膚疙瘩和瑕疵的數量、種族和預測的年齡等因素。最後結果顯示，種族因素比預期發揮更大的作用：在 44 名獲獎者中，其中有 36 人為白人。
事實上，關於演算法中含有性別、種族偏見的研究和報導，早已有之。據之前報導，要消除這些偏見，並不容易。正如微軟紐約研究院的進階研究員 Hanna Wallach 所說：
只要機器學習的程式是透過社會已存在的資料訓練，那麼只要這個社會有偏見，機器學習就會重現這些偏見。
（本文由 雷鋒網 授權轉載；首圖來源：影片截圖）
icon
icon