人工智能與大數(shù)據(jù)能否糾正人類種族歧視？

• 2018年7月19日 ZhangHongYuan來源：新浪科技 871 54
• 繁體

• 

  2018-2023年中國(guó)人工智能技術(shù)應(yīng)用行業(yè)深度分析及投資風(fēng)險(xiǎn)預(yù)測(cè)報(bào)告

  與早期人工智能相比，新一代人工智能正在全新信息環(huán)境、海量數(shù)據(jù)基礎(chǔ)和持續(xù)演進(jìn)、不斷豐富的戰(zhàn)略目標(biāo)的引領(lǐng)下，依托于云計(jì)算、大數(shù)據(jù)兩大基礎(chǔ)平臺(tái)和機(jī)器學(xué)習(xí)、模式識(shí)別和人機(jī)交互三大通用技術(shù)，...

我們對(duì)大數(shù)據(jù)的使用是會(huì)糾正我們的偏見，還是會(huì)讓情況更加糟糕?

值得注意的是，這種不相容性此前從未出現(xiàn)過。它的發(fā)現(xiàn)指向了大數(shù)據(jù)時(shí)代最顯著的好處之一：我們決策的邏輯可以用以前不可能的方式進(jìn)行形式上的分析，以及數(shù)字上的分離。因此，如今法官們知道在做決定時(shí)需要考慮這些更廣泛的不平衡。“ProPublica揭示的問題其實(shí)是關(guān)于我們?nèi)绾慰创A(yù)測(cè)，而我們?nèi)绾慰创惴ㄒ餐瑯又匾！?/p>

學(xué)術(shù)界也有一些COMPAS如何改進(jìn)的建議?？▋?nèi)基梅隆大學(xué)海因茨學(xué)院統(tǒng)計(jì)學(xué)與公共政策教授亞歷桑德拉·喬爾德喬娃表示，如果COMPAS的設(shè)計(jì)者允許在處理非裔美國(guó)人被告時(shí)稍微增加一些整體的不準(zhǔn)確性，就可以確保算法對(duì)不同種族的錯(cuò)誤率大致相同?！斑@個(gè)，”她指出，“或許就是你希望達(dá)成的權(quán)衡。”

算法中的性別歧視

谷歌翻譯存在著隱性的性別歧視問題。你可以嘗試將短語“o bir doktor”和“o bir hem?ire”從土耳其語翻譯成英語。這兩個(gè)土耳其語短語用的都是性別中性的代詞“o”，而谷歌翻譯強(qiáng)制性地選擇了性別代詞。結(jié)果是，第一個(gè)短語被翻譯成“he is a doctor”(他是一名醫(yī)生)，第二個(gè)則是“she is a nurse”(她是一名護(hù)士)。

在波士頓大學(xué)的Tolga Bolukbasi及其同事于2016年發(fā)表的一篇論文中，這些翻譯是他們關(guān)注的焦點(diǎn)，并作為一類被稱為單詞嵌入的語言模型的例子。這些模型用于為翻譯服務(wù)、搜索算法和自動(dòng)完成功能提供支持，它們用自然語言的采集主體(比如谷歌新聞的文章)進(jìn)行訓(xùn)練，通常沒有人類語言學(xué)家的太多介入。模型中的單詞被映射為高維空間中的點(diǎn)，因此給定的一對(duì)單詞間的距離和方向表明了它們?cè)谝馑忌嫌卸嘟咏?，以及具有什么樣的語義關(guān)系。

舉個(gè)例子，“Man”(男人)和“Woman”(女人)之間的距離與“King”(國(guó)王)和“Queen”(王后)之間的距離大致相同，方向也一樣。單詞嵌入模型還能使隱性偏見永久存在，就像谷歌翻譯里的那樣。模型的基礎(chǔ)架構(gòu)，即幾十年來在數(shù)字語料庫中收集的數(shù)十億文本，已經(jīng)開始以難以理解和改變的方式影響著我們的日常交流。然而，基礎(chǔ)架構(gòu)中許多偏見的納入要早于它們以數(shù)字形式的制度化。而且，與COMPAS類似，研究這些偏見在算法中的出現(xiàn)帶來了新的機(jī)會(huì)。

Bolukbasi和同事開發(fā)了一種通過在單詞嵌入模型空間內(nèi)移動(dòng)單詞，對(duì)語言進(jìn)行“去偏見”的技術(shù)。想象一下，將單詞“doctor”(醫(yī)生)、“nurse”(護(hù)士)、“man”(男人)和“woman”(女人)放到一個(gè)正方形的4個(gè)點(diǎn)上，“man”和“woman”在底部，“doctor”和“nurse”在頂部。連接“doctor”和“nurse”的線段與“man”和“woman”之間的線段長(zhǎng)度完全一致。因此，系統(tǒng)會(huì)將它們的關(guān)系視為是可類比的。Bolukbasi的去偏見策略是將“doctor”和“nurse”都推到頂部線段的中點(diǎn)，使它們與“man”和“woman”的距離都相同。從結(jié)果上，系統(tǒng)已經(jīng)“忘記了”可類比性;之后翻譯中所使用的代詞將留給系統(tǒng)設(shè)計(jì)者決定。

改變單詞之間的聯(lián)系可能會(huì)帶來顯著的影響。普林斯頓大學(xué)的計(jì)算機(jī)科學(xué)教授阿爾文德·納拉亞南與同事一起開發(fā)了測(cè)量機(jī)器學(xué)習(xí)模型中偏見程度的工具。三人從已經(jīng)被深入研究的心理學(xué)測(cè)驗(yàn)——內(nèi)隱聯(lián)系測(cè)驗(yàn)(Implicit Association Test)——開始，在該測(cè)驗(yàn)的一個(gè)常見變體中，受試者在積極屬性的詞匯與反映社會(huì)類別的詞匯之間進(jìn)行配對(duì)的速度越快，他們對(duì)二者聯(lián)系的確信程度就越高。在許多這樣的配對(duì)中，反應(yīng)時(shí)間的平均差異——通常是以毫秒計(jì)——可以作為隱性偏見的測(cè)量指標(biāo)。納拉亞南和同事講反應(yīng)時(shí)間替換成單詞間的距離，建立了“單詞嵌入聯(lián)系測(cè)驗(yàn)”。該測(cè)驗(yàn)重現(xiàn)了內(nèi)隱聯(lián)系測(cè)驗(yàn)研究在同一組詞匯中所發(fā)現(xiàn)的同一組刻板印象。

20多年來，內(nèi)隱聯(lián)系測(cè)驗(yàn)已經(jīng)揭示出各種各樣的隱性偏見，從性別到國(guó)籍再到種族，跨越許多不同背景的人群。由于偏見如此普遍，有人猜測(cè)人類的自然傾向——比如支配等級(jí)和群體內(nèi)部的身份識(shí)別等——是造成這些偏見的原因;從這一角度看，偏見是人類天性中不可避免的。單詞嵌入聯(lián)系測(cè)驗(yàn)論文的作者推測(cè)，他們的研究結(jié)果支持了另一種(盡管不是唯一的)可能性：“僅僅接觸語言就足以在我們腦海中產(chǎn)生這些隱性偏見?！睋Q句話說，如果偏見是在語言本身的統(tǒng)計(jì)中體現(xiàn)并傳播，那么我們說話的方式就不只是表達(dá)我們看待彼此的方式，而且也是構(gòu)建偏見的方式。如果諸如Bolukbasi開發(fā)的去偏見項(xiàng)目能奏效的話，我們就可以大規(guī)模地改變偏見，并且是以之前不可能的方式：用軟件。如果這些軟件不能發(fā)揮作用，那持續(xù)幾代人的數(shù)字化基礎(chǔ)結(jié)構(gòu)可能就會(huì)不斷加強(qiáng)和延續(xù)這些偏見。

納拉亞南指出，Bolukbasi的論文假設(shè)了性別是二元的，或至少性別詞匯之間的遵循一條直線。“我不認(rèn)為(我們)有任何(去偏見)能對(duì)一個(gè)可能稍微復(fù)雜的概念起作用的線索，”他說道。他特別指出了種族刻板印象，其中有關(guān)類別的概念與用來定義它們的方法一樣有問題。

納拉亞南使用從Amazon Mechanical Turk(一種被形容為“人工人工智能”的服務(wù)平臺(tái))招募的群體勞動(dòng)者來確定他的性別工作中的類別。同樣這些勞動(dòng)者還評(píng)估了哪些類別出現(xiàn)偏見，以及程序消除這些偏見的成功程度。換句話說，關(guān)于什么是有偏見的決定，以及偏見被消除意味著什么，仍然與社會(huì)共識(shí)中的中位值密切相關(guān)，給社會(huì)進(jìn)步加上了民粹主義的制約。

還有更令人氣餒的擔(dān)憂。巴洛卡斯和克勞福德近期指出，大多數(shù)關(guān)于算法公平性的研究都集中在所謂的“分配型傷害”(allocative harm)，涉及到資源的分配，比如前面提到的當(dāng)日送達(dá)服務(wù)、判決中采用的風(fēng)險(xiǎn)評(píng)分等。他們呼吁更多地關(guān)注種族主義批評(píng)者如貝爾·胡克斯(bell hooks)等提出的“象征型傷害”(representational harm)。舉例來說，在谷歌圖片搜索中輸入“CEO”(首席執(zhí)行官)，所得到的結(jié)果中絕大多數(shù)都是白人的頭像。納拉亞南表示，這些問題可能會(huì)在公平性討論中被忽視，因?yàn)椤八鼈冊(cè)跀?shù)學(xué)上更難以確切闡述，在計(jì)算機(jī)科學(xué)中，如果你無法用正式的術(shù)語來研究某些東西，那它的存在合理性就不如那些能夠轉(zhuǎn)化成方程或算法的東西?！?/p>

在最糟糕的情況下，我們?cè)谔幚頂?shù)據(jù)中的偏見時(shí)所遇到的這樣或那樣的限制，將使我們構(gòu)建中的算法成為新一代的混凝土橋，使不合理的現(xiàn)狀在未來許多年里一直延續(xù)。在最好的情況下，數(shù)據(jù)基礎(chǔ)架構(gòu)將迫使我們以某些從未有過的方式，揭露并面對(duì)我們對(duì)公平和決策的定義。

這種緊張狀態(tài)很難與我們通常的技術(shù)進(jìn)步觀念相協(xié)調(diào)。人們很容易認(rèn)為技術(shù)變化要比社會(huì)更快，并且軟件可以通過迅速加入新的社會(huì)規(guī)范來促進(jìn)社會(huì)進(jìn)步，并隔離倒退或惡意行為者的影響。一個(gè)量刑算法能造成的傷害要比一個(gè)明顯偏執(zhí)的法官小得多。但是，技術(shù)也可能掩蓋偏見的歷史和背景，減緩甚至阻礙社會(huì)進(jìn)步。基礎(chǔ)設(shè)施很難改變，而機(jī)會(huì)也在逐漸減少：技術(shù)可以在未來改進(jìn)，但我們正在決定需要做出哪些權(quán)衡。目前尚不清楚我們是否有機(jī)會(huì)重新審視這些權(quán)衡。

畢竟，算法變得越普遍，被取代的可能性就越低。雖然我們可能每?jī)赡昃蜕?jí)一次手機(jī)，但核心軟件基礎(chǔ)架構(gòu)的改造依然面臨很大障礙?？紤]到滲透到我們生活中的過時(shí)技術(shù)已經(jīng)非常多，例如空中交通管制系統(tǒng)主要依賴于20世紀(jì)70年代開發(fā)的軟件。在2017年癱瘓了英國(guó)醫(yī)院系統(tǒng)的“WannaCry”蠕蟲病毒，利用的便是這樣一個(gè)事實(shí)：這些系統(tǒng)是在幾十年前的Windows版本上運(yùn)行的，微軟公司甚至已經(jīng)不再提供維護(hù)。機(jī)器對(duì)語言的理解嵌入在核心服務(wù)中，可以在數(shù)年或數(shù)十年后依然呈現(xiàn)出今天的偏見。用藝術(shù)家Nicole Aptekar的話來說，“基礎(chǔ)架構(gòu)擊敗了意圖。”

新的數(shù)字基礎(chǔ)架構(gòu)面臨的最大危險(xiǎn)并不是會(huì)腐朽，也不是容易受到攻擊，而是其最糟糕的功能將繼續(xù)存在。一旦大橋建起來，要拆掉就很難了。

延伸閱讀

推薦閱讀

猜您喜歡