人工智能在各個領(lǐng)域似乎被吹捧為在各種應用領(lǐng)域?qū)崿F(xiàn)自動化決策的“圣杯”，被認為可以做得比人類更好或更快，但事實上人工智能面臨了一個大挑戰(zhàn)就是算法偏見。

?

人工智能是否全能

機器是沒有情感的，只能根據(jù)輸入的數(shù)據(jù)來進行學習，然后按照既定設(shè)計完成相應功能，AI需要大量數(shù)據(jù)來運作，但通常沒有合適的數(shù)據(jù)基礎(chǔ)設(shè)施來支持AI學習，最終AI的數(shù)據(jù)基礎(chǔ)不夠，無法真正有效地完成功能，更多的是從事一些指令性的工作，就像生產(chǎn)線上的機器手一樣，都是提前輸入指令，由機器手臂按照固定的步驟操作完成。

人類對大腦還是未知的，我們并不清楚大腦是如何進行學習和工作的，AI其實就是模仿人腦去思考和工作，但我們對大腦的機理并不清楚，就無法讓AI完全模擬人腦，無法完全代替人腦去學習和工作，AI更多時候是根據(jù)輸入的數(shù)據(jù)，將見到的問題錄入與已輸入的數(shù)據(jù)進行對比，有重疊度比較高的就認為匹配成功，執(zhí)行相應的預設(shè)動作，當已有的樣本庫里沒有匹配到，那AI也不知道該怎么辦。在很多人類活動中，摻雜著很多復雜的社會問題，比如說種族歧視、國家競爭、疾病傳染等問題，AI顯然還意識不到這些問題的存在，這些數(shù)據(jù)不好采集和錄入，AI算法也沒有考慮這些社會因素。

算法的偏見來自哪里

工程師很少刻意將偏見教給算法，那偏見究竟從何而來，這個問題與人工智能背后的核心技術(shù)—機器學習休戚相關(guān)。機器學習過程可化約為如下步驟，而為算法注入偏見的主要有三個環(huán)節(jié)—數(shù)據(jù)集構(gòu)建、目標制定與特征選?。üこ處煟?、數(shù)據(jù)標注（標注者）。

?

工程師是規(guī)則制定者，算法工程師從頭到尾參與了整個系統(tǒng)，包括：機器學習的目標設(shè)定、采用哪種模型、選取什么特征（數(shù)據(jù)標簽）、數(shù)據(jù)的預處理等。不恰當?shù)哪繕嗽O(shè)定，可能從一開始就引入了偏見，比如意圖通過面相來識別罪犯；不過，更典型的個人偏見代入，出現(xiàn)在數(shù)據(jù)特征的選取環(huán)節(jié)。

數(shù)據(jù)標簽就是一堆幫助算法達成目標的判定因素。算法就好像一只嗅探犬，當工程師向它展示特定東西的氣味后，它才能夠更加精準地找到目標。因此工程師會在數(shù)據(jù)集中設(shè)置標簽，來決定算法要學習該數(shù)據(jù)集內(nèi)部的哪些內(nèi)容、生成怎樣的模型。

對于一些非結(jié)構(gòu)化的數(shù)據(jù)集如大量描述性文字、圖片、視頻等，算法無法對其進行直接分析。這時就需要人工為數(shù)據(jù)進行標注，提煉出結(jié)構(gòu)化的維度，用于訓練算法。舉一個很簡單的例子，有時Google Photos會請你幫助判斷一張圖片是否是貓，這時你就參與了這張圖片的打標環(huán)節(jié)。

當打標者面對的是“貓或狗”的提問時，最壞結(jié)果不過是答錯；但如果面對的是“美或丑”的拷問，偏見就產(chǎn)生了。作為數(shù)據(jù)的加工人員，打標者時常會被要求做一些主觀價值判斷，這又成為偏見的一大來源。

打標過程正是將個人偏見轉(zhuǎn)移到數(shù)據(jù)中，被算法吸納，從而生成了帶有偏見的模型?，F(xiàn)如今，人工打標服務已成為一種典型商業(yè)模式，許多科技公司都將其海量的數(shù)據(jù)外包進行打標。這意味著，算法偏見正通過一種“隱形化”、“合法化”的過程，被流傳和放大。

人工智能偏見的分類

偏見不是以一種形式出現(xiàn)的，而是有各種類型的。這包括交互偏見、潛意識偏見、選擇偏見、數(shù)據(jù)驅(qū)動的偏見和確認偏見。

交互偏見：是指用戶由于自己與算法的交互方式而使算法產(chǎn)生的偏見。當機器被設(shè)置向周圍環(huán)境學習時，它們不能決定要保留或者丟棄哪些數(shù)據(jù)，什么是對的，什么是錯的。相反，它們只能使用提供給它們的數(shù)據(jù)——不論是好的、壞的，還是丑的，并在此基礎(chǔ)上做出決策。機器人Tay便是這類偏見的一個例子，它是受到一個網(wǎng)絡聊天社區(qū)的影響而變得偏種族主義。

潛意識偏見：是指算法錯誤地把觀念與種族和性別等因素聯(lián)系起來。例如，當搜索一名醫(yī)生的圖像時，人工智能會把男性醫(yī)生的圖像呈現(xiàn)給一名女性，或者在搜索護士時反過來操作。

選擇偏見：是指用于訓練算法的數(shù)據(jù)被傾向性地用于表示一個群體或者分組，從而使該算法對這些群體有利，而代價是犧牲其他群體。以招聘為例，如果人工智能被訓練成只識別男性的簡歷，那么女性求職者在申請過程中就很難成功。

數(shù)據(jù)驅(qū)動的偏見：是指用來訓練算法的原始數(shù)據(jù)已經(jīng)存在偏見了。機器就像孩子一樣：他們不會質(zhì)疑所給出的數(shù)據(jù)，而只是尋找其中的模式。如果數(shù)據(jù)在一開始就被曲解，那么其輸出的結(jié)果也將反映出這一點。

確認偏見：這類似于數(shù)據(jù)驅(qū)動的偏見，偏向于那些先入為主的信息。它影響人們怎樣收集信息，以及人們怎樣解讀信息。例如，如果自己覺得8月份出生的人比其他時候出生的更富有創(chuàng)造性，那就會偏向于尋找強化這種想法的數(shù)據(jù)。

Applause推出偏見解決方案

應用測試公司Applause推出了新的人工智能解決方案，同時提供AI訓練所需的龐大數(shù)據(jù)。

Applause已經(jīng)為其應用程序測試解決方案建立了龐大的全球測試社區(qū)，該解決方案受到谷歌、Uber、PayPal等品牌的信任。

具體地說，Applause的新解決方案跨越五種獨特的AI活動類型：

①語音：源發(fā)聲以訓練支持語音的設(shè)備，并對這些設(shè)備進行測試，以確保它們能夠準確地理解和響應；

②OCR：提供文檔和對應的文本來訓練識別文本的算法，并比較打印文檔和識別文本的準確性；

③圖像識別：交付預定義對象和位置的照片，并確保正確識別圖片和識別對象；

④生物識別：獲取生物特征輸入，如人臉和指紋，并測試這些輸入是否會產(chǎn)生易于使用且實際有效的體驗；

⑤聊天機器人：給出樣本問題和不同的意圖讓聊天機器人回答，并與聊天機器人互動，以確保它們能像人類那樣準確地理解和響應。

?

結(jié)尾：

但回過頭來，技術(shù)不過是社會與人心的一面鏡子。某種程度上，算法偏見就像在這個我們認為進步、美好的當下，重新呈遞灰暗角落的真相并敲響警鐘。因此，當談及算法偏見的應對時，一部分努力便是要回歸于人?？尚业氖牵幢闶羌夹g(shù)層面的自律與治理嘗試，也能極大地降低偏見程度、避免偏見大幅擴張。