?到目前為止，應(yīng)該沒有人會質(zhì)疑大多數(shù)人工智能都是建立在某種程度上有問題的偏見之上的，而且目前也在使用這種偏見。這是一個(gè)被觀察和證實(shí)了數(shù)百次的挑戰(zhàn)。組織機(jī)構(gòu)面臨的挑戰(zhàn)是根除人工智能偏見，而不是僅僅滿足于推動更好的、無偏見的數(shù)據(jù)。

在對其出版物《邁向人工智能中識別和管理偏見的標(biāo)準(zhǔn)》(NIST 1270特別出版物)的一次重大修訂中，在去年的公眾評論期之后，美國國家標(biāo)準(zhǔn)與技術(shù)研究所(NIST)提出了一個(gè)強(qiáng)有力的論點(diǎn)，即超越數(shù)據(jù)甚至ML過程來發(fā)現(xiàn)和摧毀AI偏見。

作者們沒有指責(zé)收集不當(dāng)或標(biāo)記不當(dāng)?shù)臄?shù)據(jù)，而是表示，人工智能偏見的下一個(gè)前沿是“人類和系統(tǒng)的制度和社會因素”，并推動從社會技術(shù)角度尋找更好的答案。

“環(huán)境決定一切，”NIST人工智能偏見的首席研究員、該報(bào)告的作者之一瑞瓦·施瓦茨(Reva Schwartz)說。“人工智能系統(tǒng)不是孤立運(yùn)行的。他們幫助人們做出直接影響他人生活的決定。如果我們要開發(fā)值得信賴的人工智能系統(tǒng)，我們需要考慮所有可能削弱公眾對人工智能的信任的因素。這些因素中有許多已經(jīng)超越了技術(shù)本身，還影響了技術(shù)，我們從各種各樣的人和組織收到的評論都強(qiáng)調(diào)了這一點(diǎn)。”

造成人工智能偏見的人為和系統(tǒng)偏見是什么?

根據(jù)NIST的報(bào)告，人類基礎(chǔ)分為兩大類：個(gè)體和群體，每個(gè)類別下都有許多特定的偏見。

個(gè)體的人類偏見包括自動化自滿，即人們過度依賴自動化技能；內(nèi)隱偏見，一種影響某人做決定的無意識的信念、態(tài)度、聯(lián)想或刻板印象；還有確認(rèn)偏見，也就是人們更喜歡與他們現(xiàn)有信念一致或一致的信息。

群體人類基礎(chǔ)包括群體思維(groupthink)，即人們出于順應(yīng)群體或避免分歧的愿望而做出非最優(yōu)決策的現(xiàn)象；資金偏見，當(dāng)報(bào)告有偏見的結(jié)果以滿足一個(gè)資助機(jī)構(gòu)或財(cái)政支持者，這反過來可能會受到額外的個(gè)人/群體偏見的影響。

對于系統(tǒng)性偏見，NIST報(bào)告將其定義為歷史的、社會的和制度的。從本質(zhì)上講，長期存在的偏見隨著時(shí)間的推移已經(jīng)被編入社會和機(jī)構(gòu)，并在很大程度上被視為“事實(shí)”或“事情就是這樣的”。

這些偏見之所以重要，是因?yàn)槿斯ぶ悄懿渴饘Ξ?dāng)今組織的工作方式有多么大的影響。由于種族偏見的數(shù)據(jù)，人們被剝奪了抵押貸款，剝奪了他們首次擁有住房的機(jī)會。求職者被拒絕面試，因?yàn)槿斯ぶ悄鼙挥?xùn)練成歷史上的雇傭決定，這更傾向于男性而不是女性。有前途的年輕學(xué)生會因?yàn)樗麄兊男帐吓c過去成功人士的名字不匹配而被大學(xué)拒絕面試或錄取。

換句話說：有偏見的人工智能創(chuàng)造了與效率開口一樣多的鎖門 。 如果組織不積極努力消除部署中的偏見，他們很快就會發(fā)現(xiàn)自己在思考和操作方面嚴(yán)重缺乏信任。

NIST 推薦的社會技術(shù)觀點(diǎn)是什么？

其核心是認(rèn)識到任何人工智能應(yīng)用的結(jié)果都不只是數(shù)學(xué)和計(jì)算輸入。它們是由開發(fā)人員或數(shù)據(jù)科學(xué)家制作的，他們的職位和機(jī)構(gòu)各不相同，他們都有一定程度的負(fù)擔(dān)。

NIST的報(bào)告中寫道:“人工智能的社會技術(shù)方法考慮了從數(shù)據(jù)集建模的價(jià)值和行為，與它們交互的人類，以及復(fù)雜的組織因素，這些因素涉及到它們的委托、設(shè)計(jì)、開發(fā)和最終部署。”

NIST認(rèn)為，通過社會技術(shù)視角，組織可以通過“準(zhǔn)確性、可解釋性和可理解性、隱私性、可靠性、魯棒性、安全性和安全彈性”來培養(yǎng)信任。

他們的建議之一是讓組織實(shí)施或改進(jìn)他們的測試、評估、確認(rèn)和驗(yàn)證(TEVV)過程。在給定的數(shù)據(jù)集或訓(xùn)練過的模型中，應(yīng)該有方法從數(shù)學(xué)上驗(yàn)證偏差。他們還建議在AI開發(fā)工作中創(chuàng)造更多來自不同領(lǐng)域和職位的參與，并擁有來自不同部門或組織外部的多個(gè)利益相關(guān)者。 “?human-in-the-loop”模型中，個(gè)人或集體不斷糾正基本的 ML 輸出，也是消除偏見的有效工具。

除了這些和修訂后的報(bào)告之外，還有NIST的人工智能風(fēng)險(xiǎn)管理框架(AI RMF)，這是一套由共識驅(qū)動的建議集，用于管理AI系統(tǒng)涉及的風(fēng)險(xiǎn)。一旦完成，它將涵蓋人工智能技術(shù)和產(chǎn)品的透明度、設(shè)計(jì)和開發(fā)、治理和測試。人工智能RMF的初始評論期已經(jīng)過去，但我們?nèi)匀挥泻芏鄼C(jī)會了解人工智能的風(fēng)險(xiǎn)和緩解措施。