Введение:
Алгоритмическая предвзятость в ИИ также определяется как предвзятость машинного обучения, когда алгоритм работает систематически и делает предположения в процессе машинного обучения. Предвзятость возникает из-за различных факторов, которые не включают в себя небольшой дизайн алгоритма, и он разрабатывается путем планирования с использованием собранных данных. Это помогает в обучении модели по алгоритму смещения. Рассматривая реальный пример, мы обнаруживаем использование алгоритмической предвзятости в различных местах, таких как платформы социальных сетей и поисковая система. Иногда даже мы сталкиваемся со сложными проблемами с алгоритмической предвзятостью в случае ее последовательности и ее производительности, делая различные неправильные результаты. Например, в случае с финансами, когда мы рассматриваем кредитный рейтинг в алгоритме, он может принять или отклонить ссуду, которая считается неприемлемой с несправедливыми финансовыми требованиями.
В настоящее время большинство компаний используют машинное обучение в повседневной работе, благодаря чему системы совершают различные критические бизнес-действия. Но в некоторых случаях все системы машинного обучения следуют автоматизированным операциям, которые, как говорят, являются предпочтительными при принятии автоматизированных решений, когда предполагается, что они будут работать с алгоритмическим уклоном. Однако все эти работающие системы машинного обучения заставляют системы обучать данные, которые последовательно работают с обученными данными, что иногда дает неправильные данные смещения, что делает системы вредными и недостойными. Учитывая всю проблему предвзятости, в основном лучше устранить предвзятость. Мы многому учимся у машинного обучения и применяем их на существующей модели.
По сравнению со всеми алгоритмами машинного обучения сложно работать с алгоритмом, который дает правильные чистые данные без ошибок и с идеальной точностью. Из обучения с учителем мы получаем точную, хорошо организованную информацию о данных, которая свободна от наследования, когда предвзятые данные могут давать искаженные результаты машинного обучения при обучении моделью.
Когда данные обучены для лучшего качества, мы должны убедиться, что данные хорошо обучены, где мы можем найти контролируемое обучение. Это обучение данных показывает силу контролируемого обучения. Увидев это, не нужно удивляться, где данные обучаются, чтобы научить системы получать лучшие результаты от предвзятых систем. При использовании данных, которые могут вызвать проблемы для принятия автоматизированных решений, в то время как программное обеспечение для распознавания лиц позволяет делать наилучшие прогнозы для вынесения единого суждения. Любая информация, вытекающая из искусственного и машинного обучения, говорит о хорошей эффективности, которая обеспечивается алгоритмами, вызывающими дискриминацию, противоположную подмножествам населения.
Например, рассмотрим свадебные платья, которые распознаются при обучении данных. Предположим, что модель обучается на западных данных, которые содержат только оттенки белого, и если они используются в других незападных странах, где люди носят красочные платья, то в этом случае, если данные не обучены должным образом, модель терпит неудачу. Итак, когда данные собраны, мы должны изменить все термины.
Как вы все видели, приведенная выше информация, которая собирается и представляется людьми, была идентифицирована и обучена данным. Таким образом, люди должны знать об обучении данных, когда сбой данных приводит к прерываниям и плохим результатам. Существуют различные типы смещения в машинном обучении, такие как смещение выборки, смещение измерения, смещение исключения, смещение экспериментатора, предвзятое смещение, смещение подтверждения, эффект погони за группой. Некоторые из этих предубеждений могут оказать негативное влияние на модели машинного обучения. Было очень сложно прояснить, как было принято конкретное решение в машинном обучении, когда запрос запрашивается для предоставления входных данных и получения точных выходных данных. Но это затрудняет обнаружение ошибки в полученном выводе и избежание смещения, чтобы возникали обученные данные. Было бы лучше пройти процесс проверки, но из-за больших нейронных сетей становится трудно обнаружить предвзятость. Из-за того, что эти исследователи прошли через различные модели обучения, в которых они могут найти предвзятость, поскольку машинное обучение — это черный ящик, его обнаружение оказало огромное влияние.
Как распознать человеческую предвзятость с помощью ИИ?
Мы знаем, что смещение является очень большой проблемой, которая вызывает проблемы с точностью программы обучения машинного обучения. Но в некоторых отношениях стало легко иметь дело с человеческими предубеждениями по сравнению с другими. За исключением нескольких человеческих предубеждений, таких как данные, которые незаметны и неосознанны, где можно легко увидеть предвзятость ИИ. Во всех отношениях алгоритм легко просматривается и может быть замечен при перемещении по системе.
Проведение различных взаимодействий и знание ошибок, которые совершаются путем внедрения инноваций в обучение новым данным. Это предубеждение применимо не только к людям, но и к искусственному интеллекту, который распространен по всему миру среди различных секторов.
Все обучение данным и изобретение данных проще и эффективнее для машин, чем для людей. Но в любом случае машина может только анализировать данные, что позволяет нам экономить время и делать работу быстрее. Но когда данные не обучены эффективным способом, искусственный интеллект становится предвзятым, из-за чего обученные данные считаются несправедливыми.
Как уменьшить предвзятость в машинном обучении?
Есть несколько способов, как вы можете уменьшить предвзятость, это помогает только уменьшить, но стало трудно полностью избежать. Ниже приведены шесть способов:
Идентификация потенциального источника — это один из первых способов обработки данных в разных типах, чтобы мы могли найти, где они могут повлиять на обученную модель. Во-вторых, это установление правил и положений о предвзятости для надлежащей процедуры. Здесь проявляется предвзятость при проверке хороших организаций для передачи и организации данных. В-третьих, сделать идентификацию при создании точных данных, где данные собираются и представляются для лучшего понимания. В-четвертых, обмен данными, зная, как они выбираются в виде документа. В-пятых, это оценка модели, зная ее производительность. Наконец, шестое — это мониторинг и проверка моделей выполнения операций машинного обучения.
Иногда обучение данных, на которое влияет сам алгоритм, является основным источником, где данные содержат человеческие решения, влияющие на общество.
Многочисленные исследователи по всему миру создают компьютеризированное мышление и искусственный интеллект.
Где методы опережают время, однако основное влияние было с наклоном. С одной стороны мир создавался, с другой стороны на него воздействовало наклонение. Мы можем просто работать над работой машин и их производительностью, но трудно избавиться от склонности. Мы, люди, создали все с искренней целью, но из-за моментальных проблем люди разделяются в случае более туманной кожи, где проблема поднимается из-за расчетов.
Наклонность по своей сути не является чем-то ужасным. Наш мозг пытается найти более быстрые маршруты, отслеживая конструкции в информации. В этом смысле, если вы только что видели маленьких, маленьких собачек, вы можете увидеть немецкого дога и подумать: подождите, эта собачка нормальная. Это не становится проблемой, за исключением случаев, когда мы не признаем особые случаи для образцов или если мы начинаем необоснованно относиться к определенным собраниям людей. Как широкая общественность, у нас есть законы, предотвращающие разделение в зависимости от определенных гарантированных классов (таких как сексуальная ориентация, раса или возраст) для таких вещей, как бизнес или жилье. Таким образом, важно знать о различии между предрасположенностью, которую мы имеем в целом, и сегрегацией, которую мы можем предотвратить. Кроме того, знание склонности к алгоритмам может помочь нам избежать будущего, в котором ИИ будет использоваться деструктивным и предвзятым образом.
Начнем с того, что подготовка информации может отражать скрытые наклонности на публичной арене. Например, если ИИ был подготовлен для текущих новостей или книг, слово «воспитание» должно относиться к женщине, а слово «инженер-программист» — к мужчине. Кроме того, вы можете увидеть это событие с помощью поиска картинок Google: воспитание. Показывает в основном женщин, а инженер-программист обычно показывает мужчин. Мы можем видеть, как скрытая предрасположенность к информации внедряется в ИИ интернет-поисковика. Очевидно, мы знаем, что есть медицинские работники-мужчины и разработчики-женщины, а также непараллельные люди, выполняющие обе эти работы. Например, образ разработчика 1960 года показывает НАМНОГО больше женщин. Тем не менее, расчеты ИИ не очень хорошо воспринимают социальные наклонности, которые могут меняться в долгосрочной перспективе, и они могут даже распространять скрытую предрасположенность на большее количество человеческих умов. Также заманчиво полагать, что если мы просто не собираем и не используем готовую информацию, которая определяет безопасные классы, такие как раса или пол, тогда наши вычисления не могут быть разделены. Тем не менее, защищенные классы могут возникать как связанные элементы, которые представляют собой основные моменты, которые не являются однозначными в информации, а скорее могут неожиданно соответствовать конкретному прогнозу. Например, на том основании, что многие места в США до сих пор поразительно изолированы, почтовое деление может быть решительно отождествлено с кодом.
Запись покупок может быть однозначно связана с сексом. Кроме того, сомнительная статья 2017 года показала, что сексуальная направленность решительно связана с качествами фотографии профиля в онлайн-СМИ. Во-вторых, в информации о подготовке может быть недостаточно экземпляров каждого класса, что может повлиять на точность ожиданий. Например, многочисленные расчеты искусственного интеллекта для распознавания лиц выполняются на основе информации, которая включает в себя гораздо большее количество экземпляров групп белых людей, чем представители разных рас. Одна история, которая попала в новости за пару лет до этого, — это средство проверки фотографий для визы с системой искусственного интеллекта, которая предупреждает, если человек на фотографии прищурился.
Тем не менее, система столкнулась с большими трудностями с фотографиями людей азиатского происхождения. Когда вас снова и снова просят сделать снимок, это может сбивать с толку, если вы просто пытаетесь перезарядить свою идентификацию, что на данный момент является своего рода мучением! Или, опять же, скажем, у вас есть крутой программный дрон для IBM, но у него проблемы с восприятием лица. В-третьих, сложно оценить конкретные моменты в подготовке информации. Есть множество вещей, которые трудно изобразить цифрами. Например, можете ли вы действительно оценить родственные отношения с числом? Это запутанно. Ты любишь их; Тем не менее, вы презираете их запутанность, но вам нравится готовить вместе, но вы презираете то, как ваши люди противопоставляют вас своим качествам.
По большому счету, мы пытаемся создать ИИ для оценки запутанных характеристик информации, но время от времени нам приходится обходиться легко поддающимися количественной оценке легкими маршрутами. Одна из поздних моделей пытается использовать ИИ для оценки сочинения на санкционированных государством тестах, таких как SAT и GRE, с целью сэкономить время людей, оценивающих. Великолепное сочинение включает в себя сложные компоненты, такие как четкость, построение и воображение, но у большинства из них есть характеристики. Итак, учитывая все обстоятельства, эти ИИ сосредоточились на более простых для количественной оценки компонентах, таких как длина предложения, жаргон и пунктуация, которые не полностью учитывают хорошую композицию и упростили этот ИИ.
Несколько дублеров из Массачусетского технологического института собрали специальную языковую программу для создания статей, в которых не было ни рифмы, ни смысла, но которые оценивались исключительно с помощью этих обзорных вычислений. Этих ИИ также можно было бы обмануть, если бы они запоминали фрагменты макетов статей, чтобы повлиять на оценку, а не составляли ответ на задание, и все из-за информации о подготовке, которая использовалась для предложений, оценивающих ИИ. Таким образом, полицию все чаще посылали в определенные районы, где проживает много расово несовершеннолетних.
По сути, это будет похоже на другого ключа, который работал над обычными оценками в школе, но на самом деле не часто думает о дублерах, у которых уже есть проходные баллы. Он составляет список дублеров с ужасными оценками и последовательно определяет их статус, а дублеров, которые следят за проходными баллами, он не замечает. Если кто-либо из дублеров в их списке наблюдения не выполнит свою работу на этой неделе, он получит отказ. Тем не менее, каждый из дублеров, не включенных в их список наблюдения, может откладывать школьные занятия и выполнять их в зависимости от того, что произошло раньше. Люди могут ограничиться Xiaoice, чтобы он понял, как нормально говорить на различные темы об их обсуждениях. Через 12 часов после его доставки, после организованного нападения группы лиц, которые в одностороннем порядке собирали его информацию.
Люди, которые необходимы для безопасных занятий, могут быть обеспокоены передачей данных, близких к дому. Это может показаться нарушением безопасности, или они могут подчеркнуть, что расчеты будут использоваться для достижения цели, а не для обеспечения. Независимо от того, эффективно ли вы работаете со структурами ИИ, знание этих расчетов и информированность о компьютеризированных рассуждениях имеют важное значение, поскольку мы формируем то, что будет. Некоторые люди в любом случае считают, что расчеты должны быть клинически испытаны и исследованы так же, как и лекарства. Согласно этим оценкам, мы должны знать, есть ли побочные эффекты, прежде чем включать ИИ в нашу обычную рутину. Таких пока нет.
