Q:
Kodėl mašinų šališkumas yra problema mokantis mašinų?
A:Į šį klausimą galima atsakyti dviem skirtingais būdais. Pirma, kodėl yra mašinų šališkumo problema, kaip ir kodėl ji egzistuoja mašininio mokymosi procesuose?
Mašinų mokymasis, nors ir sudėtingas ir sudėtingas, tam tikru mastu yra ribotas atsižvelgiant į jo naudojamus duomenų rinkinius. Duomenų rinkinių sudarymas yra būdingas šališkumas. Kaip ir žiniasklaidoje, kur praleidimai ir apgalvotas įtraukimo pasirinkimas gali parodyti tam tikrą šališkumą, mašininio mokymosi metu turi būti ištirti naudojami duomenų rinkiniai, siekiant nustatyti, koks šališkumas egzistuoja.
| Nemokamas atsisiuntimas: mašinų mokymasis ir kodėl tai svarbu |
Pvz., Įprasta technologinių bandymų ir projektavimo procesų problema yra parodyti, kad vieno tipo vartotojui teikiama pirmenybė, o ne kitam. Vienas didelis pavyzdys yra lyčių skirtumai technologijų pasaulyje.
Kodėl tai keičia skirtumą ir kodėl tai taikoma mašininiam mokymuisi?
Dėl to, kad trūksta moterų bandymo aplinkoje, gali būti sukurta technologija, kuri yra mažiau patogi vartotojams. Kai kurie ekspertai apibūdina tai, kad neatlikus moterų bandymų, galutinis produktas gali neatpažinti moterų vartotojų indėlio - jis gali neturėti priemonių atpažinti moterų tapatybes ar tinkamai elgtis su moterų indėliu.
Tas pats pasakytina apie įvairias etnines grupes, skirtingų religijų žmones ar bet kokio tipo demografinius dalykus. Neturėdami tinkamų duomenų, mašininio mokymosi algoritmai tam tikrame vartotojų rinkinyje neveiks tinkamai, todėl įtraukimo duomenys turi būti sąmoningai pridedami prie technologijos. Vietoj to, kad imtųsi pirminių duomenų rinkinių ir sustiprintų būdingą šališkumą, tvarkytojai žmonėms turi iš tikrųjų pažvelgti į problemą.
Kitas pavyzdys yra mašininio mokymosi variklis, kuris perima informaciją apie darbą ir atlyginimą bei išsklaido rezultatus. Jei šis būdingas duomenų rinkinys nebus analizuojamas, mašina sustiprins šališkumą. Jei suvokiama, kad vyrai užima didžiąją dalį vykdomųjų pareigų, o kompiuterio mokymosi procesas apima filtravimą per neapdorotus duomenų rinkinius ir atitinkamų rezultatų grąžinimą, bus pateikti rezultatai, rodantys vyrų neobjektyvumą.
Antroji klausimo dalis susijusi su tuo, kodėl šis šališkumas yra toks žalingas. Be tinkamos priežiūros ir bandymų naujos technologijos gali pakenkti mūsų įtraukties ir lygybės jausmui, o ne padėti. Jei išleidžiamas naujas technologijos produktas, atpažįstantis veidus su šviesesne oda, bet ne tamsesnės odos, tai gali sukelti padidėjusią etninę įtampą ir jausmą, kad aptariama įmonė nėra jautri įvairovei. Jei mašininio mokymosi algoritmas atkuria ir padidina šališkumą duomenų rinkiniuose, dirbtinis intelektas pridės savo balsą prie jau egzistuojančių žmonių balsų ir žmogiškųjų tendencijų, jau egzistuojančių socialinėje sistemoje, teikiančioje pirmenybę vienai žmonių grupei, o ne kitai.
Geriausias būdas išspręsti šią problemą yra atidžiai išnagrinėti pagrindinius duomenų rinkinius, naudoti funkcijų pasirinkimą, pridėti kintamąjį įvestį ir pačiais manipuliuoti neapdorotų duomenų rinkiniais ir išplėsti realią mašininio mokymosi galią sąmoningai atliekant duomenis, kad būtų sukurtas žmogus. Rezultatas, suteikiantis didelę analitinę galią, bet taip pat keletas tų žmogaus įžvalgų, kurių kompiuteriai dar negali atkartoti.
