企业数据治理的六大陷阱
|
遗憾的是，将AI视为暗箱过程会产生信任与可靠性等问题。从纯技术的角度来看，这也导致我们难以分析或解决AI模型中存在的问题。 在本文中，我们将共同了解其中的部分潜在问题以及几种解决方案思路。 AI是什么? 不少企业已经将人工智能(AI)元素纳入自家产品。虽然有些“AI”表述只是虚假的营销策略，但也确实有不少产品开始使用AI及机器学习(ML)技术实现自我提升。 简而言之，AI是指一切能够表现出智能行为的计算机系统。在本文的语境下，智能代表着计算机在学习、理解或者概念总结等层面的飞跃式进步。 当前，AI技术最常见的实现形式为机器学习，其中由计算机算法学习并识别数据中的模式。机器学习大致分为三类：
但这些方法都面临着同一个问题，我们无法理解学习后生成的最终模型。换言之，人工智能无法实现人性化。 信任问题 暗箱式AI系统大多属于由机器经过自学过程建立起模型。但由于无法理解系统得出结论的过程，我们就很难理解模型给出特定结论的理由，或者对该结论缺乏信心。我们无法询问模型为什么会这么判断，只能拿结果跟自己的期望进行比较。 如果不理解AI模型的起效原理，我们又怎么能相信模型会永远正确? 结果就是，这种不可理解性同无数反乌托邦科幻作品映射起来，让AI成了恐怖神秘的代名词。更糟糕的是，不少AI模型确实表现出严重的偏差，这也令信任危机被进一步激化。 偏差或者说偏见，一直植根于人类的思想意识当中，现在它也开始成为AI技术无法回避的大难题。因为系统只能从过往的情况中学习经验，而这些可能并不足以指导模型做出面向未来的正确选择。 以AI模型在犯罪预测中的应用为例，这些模型会使用以往犯罪统计数据来确定哪些地区的犯罪率比较高。执法部门则调整巡逻路线以向这些地区集中警力资源。但人们普遍质疑，使用这类数据本身就是在加强偏见，或者潜在地将相关性混淆为因果性。 例如，随着新冠疫情的肆虐，美国各大主要城市的暴力犯罪率开始显著下降;但在某些司法管辖区内，汽车盗窃及其他劫掠案件却有所增加。普通人可能会将这些变化与全国范围内的社交隔离合理联系起来，但预测性警务模型却有可能错误地将犯罪数量及逮捕率的降低解释为稳定性与治安水平的提升。 目前，人工智能中存在多种形式的偏见。以人脸识别软件为例，研究表明包含“人口统计学偏见”的算法会根据对象的年龄、性别或种族做出准确率波动极大的判断。 有时，数据科学家在执行特征工程以尝试清洗源数据时，同样会引发偏差/偏见问题，导致其中某些微妙但却极为重要的特征意外丢失。 影响最大的偏见甚至可能引发社会层面的问题。例如，广告算法会根据人口统计数据定期投放广告，从而将对于年龄、性别、种族、宗教或社会经济等因素的偏见永久留存在模型之内。AI技术在招聘应用中也暴露出了类似的缺陷。 当然，这一切都源自人类自己引发的原始偏见。但是，我们该如何在AI模型中发现这些偏见并将其清除出去? 可解释AI 为了增加对AI系统的信任度，AI研究人员正在探索构建可解释AI(XAI)的可能性，希望借此实现AI方案的人性化。 XAI能够避免我们在暗箱模型中难以识别的种种问题。例如，2017年研究人员的报告称发现了一项AI作弊问题。该AI模型在训练之后能够成功识别出马匹的图像，相当于对经典狗/猫识别能力的变体。但事实证明，AI学会的实际上是识别与马匹图片相关的特定版权标注。 为了实现XAI，我们需要观察并理解模型内部的整个运作过程。这项探索本身已经构成了理论计算机科学中的一大分支，其困难程度可能也远超大家的想象。 比较简单的机器学习算法当然相对易于解释，但神经网络则复杂得多。即使是包括分层相关性传播(LRP)在内的各类最新技术，也只能显示哪些输入对于决策制定更为重要。因此，研究人员的注意力开始转向本地可解释性目标，希望借此对模型做出的某些特定预测做出解释。 AI模型为什么难以理解?
目前，大多数ML模型基于人工神经元。人工神经元(或称感知器)使用传递函数对一个或多个加权输入进行组合。以此为基础，激活函数将使用阈值以决定是否触发。这种方法，实际上限制了神经元在人脑中的工作方式。 （编辑：保山站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
