1. 首頁 > 科技 > >

病毒|我們需要將人工智能與人類大腦和偏見脫鉤( 三 )

網絡安全病毒算法機器學習護士


為了確保這種情況不會發生 ， 你可以為比賽數據添加權重 。 機器學習模型可能會很快得出結論 ， 拉丁裔人感染新冠病毒的頻率更高 。 因此 ， 它可能會要求這部分人口提供更高的保險費 ， 以補償這一風險 。 通過給予拉丁裔比白人稍微好一點的體重 ， 我們可以賠償 ， 以至于拉丁裔和一名白人護士最終確實得到了相同的保險單 。
然而 ， 人們應該謹慎使用加權方法 ， 因為它很容易為小組傾斜結果 。 例如 ， 想象一下 ， 在我們的新冠病毒數據集中 ， 只有少數美洲原住民 。 碰巧 ， 所有這些美洲原住民碰巧都是出租車司機 。 該模型可能在數據集的其他地方就出租車司機及其最佳醫療保險得出了一些結論 。 如果對美洲原住民的重量被夸大了 ， 那么新的美洲原住民最終可能會獲得出租車司機的政策 ， 盡管他們可能有不同的職業 。
手動消除不完美模型中的偏見極其棘手 ， 需要大量的測試、常識和人類體面 。 此外 ， 這只是一個臨時解決方案 。 從長遠來看 ， 我們應該放下人類的干預和隨之而來的偏見 。 相反 ， 我們應該接受這樣一個事實 ， 即如果機器獨自一人 ， 有正確的目標 ， 它們就不會像人類那么可怕和不公平 。
以人為本的人工智能很棒 ， 但我們不應該忘記人類有缺陷
讓人工智能像人一樣移動、說話和思考是一個光榮的目標 。 但人類也說和想可怕的事情 ， 特別是對弱勢群體 。 讓一組人類數據科學家過濾掉人類偏見和無知的所有來源是一項太大的任務 ， 特別是如果團隊本身不夠多樣化的話 。
另一方面 ， 機器并沒有在一個種族和經濟差異的社會中成長起來 。 他們只是拿任何可用的數據 ， 并做任何他們應該做的事情 。 當然 ， 如果數據集不好或有缺陷的人類干預太多 ， 它們可能會產生不良產出 。 但數據集中的許多缺陷可以通過更好的模型來彌補 。
【病毒|我們需要將人工智能與人類大腦和偏見脫鉤】在這個時候 ， 人工智能是強大的 ， 但仍然經常帶有人類偏見 。 以人為本的人工智能不會消失 ， 因為人工智能可以奪走人類之手的平凡任務太多 。 但我們不應該忘記 ， 如果我們離開機器去做他們的事情 ， 我們通常可以取得更好的結果 。

相關經驗推薦