該成果將于下個月在蒙特利爾的神經信息處理系統(tǒng)（NIPS）上公布。
在社交媒體的應用場景中，人工智能算法模型的偏差導致搜索結果或用戶體驗不佳常常出現(xiàn)，甚至可以說是無法規(guī)避，如人們熟知的大數(shù)據(jù)殺熟等?？梢灶A見，當AI應用到醫(yī)療保健、自動駕駛汽車、刑事司法或刑事處理等場景中時，更多關乎生命、公平、道德等的問題將會出現(xiàn)。此前，亞馬遜用AI招聘出現(xiàn)了性別歧視問題就是有力的證明。
在世界每一個角落部署AI，這可能導致持續(xù)的系統(tǒng)性歧視，為此MIT計算機科學人工智能實驗室（CSAIL）研究人員創(chuàng)造了一種減少AI偏差，同時又不降低預測結果準確性的方法。
據(jù)麻省理工學院教授DavidSontag所言，傳統(tǒng)方法可能建議將與多數(shù)人群相關的數(shù)據(jù)集隨機化，作為解決不同人群不平等結果的一種方法，但這種方會權衡較低的預測準確性，以實現(xiàn)所有人群的公平性，關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)，在一個案例中，AI模型將女性標記為低收入，男性標記為高收入，這是有失客觀性的，因此他們通過將數(shù)據(jù)集中女性的代表性提高10倍，達到了將不準確結果的數(shù)量減少了40％的效果。
Sontag在一份聲明中給出這一設計的簡單解釋：“我們認為這是一個工具箱，可幫助機器學習工程師弄清楚他們的數(shù)據(jù)要問什么問題，以便診斷他們的系統(tǒng)為什么會做出不公平的預測。”
他進一步解釋說：“在這項工作中，我們認為預測的公平性應該在數(shù)據(jù)的背景下進行評估，并且樣本量不足或未測量的預測變量引起的不公平性應該通過數(shù)據(jù)收集來解決，而不是通過約束模型來解決。”
誠然，預測準確性的差異往往歸因于數(shù)據(jù)缺乏或不可測量的變量因素，因此該研究團隊建議在進行公平標準評論之前，對模型偏差，模型方差和結果噪聲進行AI模型分析。
對于這一研究的成本，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)收集和模型開發(fā)的投資。但在某些十分重要的應用程序中，其好處往往超過成本。“
在Sontag與其博士團隊一起撰寫的論文中，有這一方法的詳細解釋。據(jù)悉，該成果將于下個月在蒙特利爾的神經信息處理系統(tǒng)（NIPS）上公布。
