在社交媒體的應(yīng)用場(chǎng)景中，人工智能算法模型的偏差導(dǎo)致搜索結(jié)果或用戶(hù)體驗(yàn)不佳常常出現(xiàn)，甚至可以說(shuō)是無(wú)法規(guī)避，如人們熟知的大數(shù)據(jù)殺熟等。可以預(yù)見(jiàn)，當(dāng)AI應(yīng)用到醫(yī)療保健、自動(dòng)駕駛汽車(chē)、刑事司法或刑事處理等場(chǎng)景中時(shí)，更多關(guān)乎生命、公平、道德等的問(wèn)題將會(huì)出現(xiàn)。此前，亞馬遜用AI招聘出現(xiàn)了性別歧視問(wèn)題就是有力的證明。

在世界每一個(gè)角落部署AI，這可能導(dǎo)致持續(xù)的系統(tǒng)性歧視，為此MIT計(jì)算機(jī)科學(xué)人工智能實(shí)驗(yàn)室（CSAIL）研究人員創(chuàng)造了一種減少AI偏差，同時(shí)又不降低預(yù)測(cè)結(jié)果準(zhǔn)確性的方法。

據(jù)麻省理工學(xué)院教授DavidSontag所言，傳統(tǒng)方法可能建議將與多數(shù)人群相關(guān)的數(shù)據(jù)集隨機(jī)化，作為解決不同人群不平等結(jié)果的一種方法，但這種方會(huì)權(quán)衡較低的預(yù)測(cè)準(zhǔn)確性，以實(shí)現(xiàn)所有人群的公平性，關(guān)鍵是從代表性不足的群體中挖掘更多數(shù)據(jù)。例如，研究人員發(fā)現(xiàn)，在一個(gè)案例中，AI模型將女性標(biāo)記為低收入，男性標(biāo)記為高收入，這是有失客觀性的，因此他們通過(guò)將數(shù)據(jù)集中女性的代表性提高10倍，達(dá)到了將不準(zhǔn)確結(jié)果的數(shù)量減少了40％的效果。

Sontag在一份聲明中給出這一設(shè)計(jì)的簡(jiǎn)單解釋?zhuān)骸拔覀冋J(rèn)為這是一個(gè)工具箱，可幫助機(jī)器學(xué)習(xí)工程師弄清楚他們的數(shù)據(jù)要問(wèn)什么問(wèn)題，以便診斷他們的系統(tǒng)為什么會(huì)做出不公平的預(yù)測(cè)。”

他進(jìn)一步解釋說(shuō)：“在這項(xiàng)工作中，我們認(rèn)為預(yù)測(cè)的公平性應(yīng)該在數(shù)據(jù)的背景下進(jìn)行評(píng)估，并且樣本量不足或未測(cè)量的預(yù)測(cè)變量引起的不公平性應(yīng)該通過(guò)數(shù)據(jù)收集來(lái)解決，而不是通過(guò)約束模型來(lái)解決�！�

誠(chéng)然，預(yù)測(cè)準(zhǔn)確性的差異往往歸因于數(shù)據(jù)缺乏或不可測(cè)量的變量因素，因此該研究團(tuán)隊(duì)建議在進(jìn)行公平標(biāo)準(zhǔn)評(píng)論之前，對(duì)模型偏差，模型方差和結(jié)果噪聲進(jìn)行AI模型分析。

對(duì)于這一研究的成本，Sontag表示，“這揭示并分離了數(shù)據(jù)收集不足和模型選擇對(duì)公平性的不利影響。為了追求公平，其成本也要納入到數(shù)據(jù)收集和模型開(kāi)發(fā)的投資。但在某些十分重要的應(yīng)用程序中，其好處往往超過(guò)成本�！�

在Sontag與其博士團(tuán)隊(duì)一起撰寫(xiě)的論文中，有這一方法的詳細(xì)解釋。據(jù)悉，該成果將于下個(gè)月在蒙特利爾的神經(jīng)信息處理系統(tǒng)（NIPS）上公布。