來源：ST社區

“什么是公平”，就算是人類自己也沒有統一的標準，它有時取決于語境。不論是在家里，還是在學校，教導小孩要公平是至關重要的，但說起來容易做起來難。正因為如此，我們要如何才能將社會上所說的“公平”的細微差別傳遞給人工智能(AI)系統呢？

IBM研究院的一組研究人員是著手解決該難題的先驅。IBM為開發人員推出了一款名為“AI Fairness 360”的工具包。作為這項工作的一部分，IBM為企業提供一種新的“基于云的、偏差(bias)檢測和消除服務”，企業可以使用它來測試和驗證AI驅動的系統的行為。

在接受EE Times的電話采訪時，IBM研究院院士SaskaMojsilovic告訴我們，科學家和AI從業者太過于關注AI的準確性。通常，人們關于AI的第一個問題是，“機器可以擊敗人類嗎？”

但公平呢？例如，AI中的公平缺位可能會導致在醫療保健中或自動駕駛車輛造成災難性后果，她說。

如果用于訓練機器的數據集有偏差怎么辦？如果AI無法解釋它是如何做出決定的，那么我們怎樣才能驗證其“正確性？”AI可以揭示在AI處理過程中數據是否被以某種方式操縱過嗎？AI是否可以向我們保證其數據從未(包括處理前和處理后)受到攻擊或篡改嗎？簡言之，是否存在AI內省？簡單回答：沒有。

Mojsilovic表示，如果不對AI用戶、開發人員和從業者開放，AI系統就無法獲得社會的信任。

分解公平

一個更大的問題是如何教導機器什么是公平。Mojsilovic指出，“因為我們是科學家，我們做的第一件事就是分解‘公平’。我們需要從這著手。”他們將公平分解為AI實現中的指標、算法和偏差。

IBM研究科學家Kush Varshney解釋說，其團隊研究了AI算法和AI決策的偏差和公平性。“有個人的公平，也有團體的公平。我們研究了群體的不同屬性——從性別到種族。還考慮了法律和監管問題。”最后，團隊最終測量了30個不同的指標，以尋找數據集、AI模型和算法中的偏差。

這些發現已納入IBM不久前推出的AI Fairness 360工具箱中。IBM將其描述為“一個全面的指標開源工具包，用于檢查數據集和機器學習模型中不期望的偏差。”

雖然許多科學家已經在努力發現AI算法中的歧視(discrimination)，但Mojsilovic說IBM的方法不同，它不僅包括發現偏差的算法，且還包括用于消除偏差的工具。

在基礎層面，你必定會問：由計算機科學家——定義公平？這通常不是社會科學家的活嗎？意識到這種不搭調，IBM明確表示Mojsilovic和Varshney都沒有閉門造車。他們引入了許多學者和研究機構。Varshney參加了由卡內基國際事務倫理委員會主辦的Uehiro-Carnegie-Oxford倫理會議。 Mojsilovic參加了由加州大學伯克利分校法學院贊助的加州伯克利人工智能工作組。

算法中立嗎？

一段時間以來，社會科學家一直在指出AI偏差問題。
威斯康星大學麥迪遜分校新聞與大眾傳播學院教授Young Mie Kim解釋說，“AI歧視(或AI偏差)可能發生在它隱含或明確地強化現有不平等的社會秩序和偏見(例如，性別、種族、年齡、社會/經濟狀況等)時。”例子從抽樣誤差(例如，由于抽樣方法的不適當或困難導致某些人口統計數據不充分)到機器訓練(建模)中的人為偏差。 Kim認為，即使在設計或建模中采用的“戰略決策”也存在AI偏差，例如政治廣告算法。

在她最近題為“算法機會：數字廣告和政治參與的不平等”的研究中，Kim展示了在基于算法的決策中不平等是如何被強化的。

技術社區可能會爭辯說“算法是中立的”或者可以“受過教育”(訓練有素)。 Kim指出，“也就是說，他們并不承認在算法開發的任何階段都會出現偏差。”

可解釋的AI

不只是消費者害怕AI。許多計算機科學家也表達了擔憂。

威斯康星大學計算機科學助理教授AwsAlbarghouthi告訴EE Times，“從短期看，我擔心越來越多地使用數據驅動的決策，這有可能傳播偏見和不公正。從長遠看，我擔心AI在戰爭自動化方面的使用。”

AI無法解釋其決策帶來持續焦慮。威斯康星大學計算機科學助理教授Loris D'Antoni告訴我們，“現在，程序員開始將強大的機器學習算法作為編程工具箱中的工具。然而，這些算法復雜、難以預測、難以解釋。例如，沒人知道由此產生的機器學習模型究竟做了什么。在他看來，“總的來說，自動化決策需要被理解和規范，并且可能以正規的方式進行。”

對于流程的每個步驟，從訓練數據和處理到測試和部署，IBM指出其工具包提供的解釋 可顯示：在兩種決策中、哪些因素傾向于支持哪一方；對推薦的信心以及支持這種信心的因素。

IBM希望AI Fairness 360工具包將被廣泛使用，以便開發人員可以為其做出貢獻，幫助建立對AI的信任。

與此同時，IBM將為企業提供其新的軟件服務，旨在自動檢測偏差并解釋AI在需要做決策時，是如何做出決策的。它在IBM Cloud上運行，可幫助企業管理AI系統。

IBM稱，其在IBM Cloud上的公平性監控服務將與來自各種機器學習框架模型和AI構建環境(如Watson、TensorFlow、SparkML、AWS SageMaker和AzureML)配合使用。“這意味著組織可以借力這些新控制以服務于企業使用的大多數流行的AI框架，”IBM稱。IBM也承諾提供定制服務。“還可對軟件服務進行編程，以監控任何業務工作流程的獨特決策因素，使其能夠根據特定的組織用途進行定制。”

好的開始

越來越意識到AI中算法公平問題的AI研究界，對IBM的新產品表示歡迎。威斯康星大學的計算機科學家D'Antoni告訴我們，“看到公平檢查技術進入業界并付諸實踐，真的令人興奮。”他補充道，“我認為該工具將使AI研究界更加意識到該問題的重要性。”

Albarghouthi稱IBM的努力“開了個好頭”。

但是為了讓AI Fairness 360工具包真正變得有效，應該使許多需要理解它的開發人員能用到它。Albarghouthi解釋說，該工具需要“與研究界探索的最新的公平技術共同發展。”

他告誡說，“如果研究和理解超越了目前的定義和技術，”那么該工具很可能會停滯不前。

公平問題

最后，任何成全或破壞AI公平工具包的因素都會回溯到如何定義公平這一棘手問題。IBM的Mojsilovic承認，在不同應用中，公平有不同表現。正如人類對公平有不同看法，用戶、客戶和公眾可能會根據情況對公平有不同評判。

當被問及AI公平工具包的缺陷時，Albarghouthi表示，問題之一是“存在于公平性定義的選擇以及其是否足夠。”畢竟，公平“在很大程度上取決于領域、其敏感性和涉及的監管。”他補充說：“我確信，這些工具只有在其使用成為機器學習管道的標準部分時才有效。”

D'Antoni表達了他自己的擔憂。“有很多關于公平和偏差的定義，很難將它們全部考慮在內且其實現也并非能畢其功于一役。”換句話說，“公平定義往往是‘沖突的，’他說。“存在的不可能出現的結果表明，某些公平概念不能同時訴諸實施。”
此外，還有一個事實是“機器學習社區目前尚未接受過如何了解現有的公平和偏差定義的含義以及如何使用它們，”他補充道。

社會科學家Kim同意。“對這種[AI偏見]問題的認識是抗擊AI歧視的第一步，也是最重要的一步。”她指出，“在人類社會中，我們提出了一些減輕不平等和歧視的政策和法規。但問題是AI仍是個秘密。與大多數情況一樣，數據和建模是專有的。這使得任何公共政策或監管討論/辯論更加困難。“

透明度

理解了定義公平性時的復雜性和權衡取舍之后，IBM研究人員認為，優先事項應該是AI實踐和實施的透明度。

IBM的Mojsilovic建議由AI服務開發商和提供商完成并自愿發布供應商的符合性聲明(她稱之為情況說明書)“以提高其服務的透明度并產生對它們的信任。”她將其比作“食品營養標簽”，或“器具信息表”。

業界需要有關部署在不同服務中的AI系統信息的標準。 IBM敏銳地意識到這不會在一夜之間發生。正如營養標簽花了很長時間才逐步發展起來一樣，情況說明書的開發可能是個漫長過程。Mojsilovic警告說，業界才剛剛開始其人工智能之旅。

與IBM類似，研究界也在與AI公平問題斗爭。在這個懸而未決的領域，IBM的AI Fairness工具箱似乎具有開創性。 D'Antoni告訴我們，“我不知道現有的用于AI模型的通用公平檢查工具。”

另一方面，他補充說，“研究界提出了許多令人興奮的原型工具。例如，Kramer等人提出的FairTest和來自我們自己團隊的FairSquare。”

審核編輯 黃昊宇