อคติในระบบการเรียนรู้ของเครื่องจักร

บทเรียนนี้นำเสนอเกี่ยวกับระบบการเรียนรู้ของเครื่องจักรเพื่อช่วยเสริมการทำงานของคุณ เพื่อประหยัดเวลาสำหรับงานในปัจจุบันและเปิดโอกาสสู่ส่วนงานใหม่ ๆML สามารถทำอะไรให้กับคุณได้มาก แต่ก็มีปัญหาที่คุณไม่ควรมองข้ามเช่นกัน

เพื่อจัดการกับปัญหาเหล่านี้ นักวิจัยและผู้ปฏิบัติงานเป็นจำนวนมากจึงเริ่มให้ความสำคัญกับประเด็นด้าน “ความเป็นธรรม” ของระบบการเรียนรู้ของเครื่องจักรหลักการชี้นำคือ ML ควรเอื้อประโยชน์แก่ทุกคนอย่างเท่าเทียมกัน ไม่ว่าจะอยู่ในกลุ่มใดของสังคม และไม่ว่าจะอยู่ภายใต้โครงสร้างหรือกรอบผลกระทบในลักษณะใดก็ตาม

ผลลบที่อาจเกิดขึ้นจากการใช้ระบบการเรียนรู้ของเครื่องจักรคืออะไรคำตอบสั้น ๆ คืออคติ 

มนุษย์ทุกคนมีอคติส่วนตัวอคติคือเครื่องมือที่สมองของเราใช้เพื่อจัดการกับข้อมูลที่เราจะคัดทิ้งในแต่ละวัน 

ลองดูจากตัวอย่างต่อไปนี้ ให้ปิดตาแล้วนึกภาพรองเท้าส่วนใหญ่คนจะนึกถึงรองเท้าผ้าใบเป็นอันดับแรกหรือรองเท้าหนังสำหรับผู้ชายไม่ค่อยบ่อยนักที่คุณจะนึกถึงรองเท้าส้นสูงสำหรับสตรีเราอาจไม่ทราบสาเหตุ แต่ทุกคนล้วนมีอคติแฝงเกี่ยวกับมุมมองที่มีต่อผู้อื่น 

ลองนึกดูว่าคุณต้องการที่จะสอนคอมพิวเตอร์ให้ตรวจจำภาพรองเท้าคุณอาจนำเสนอข้อมูลผ่านอคติที่คุณมีและนี่คือสิ่งที่เกิดขึ้นกับระบบการเรียนรู้ของเครื่องจักรแม้ว่าจะมีเจตนาที่ดี แต่เราเองไม่สามารถปฏิเสธอคติที่เราแต่ละคนมีได้

มีอยู่หลายวิธีที่อคติของเราอาจส่งผลต่อระบบการเรียนรู้ของเครื่องจักรที่เราพัฒนาขึ้น:

อคติในการโต้ตอบ

ลองพิจารณาจากตัวอย่างก่อนหน้านี้: หากเราฝึกสอนตัวแบบการทำงานของเราให้ตรวจจำภาพรองเท้าโดยใช้ชุดข้อมูลที่เป็นภาพรองเท้าผ้าใบ ระบบก็จะไม่สามารถตรวจจำรองเท้าส้นสูงว่าเป็นรองเท้า

อคติแฝง

หากคุณฝึกสอน ML เกี่ยวกับนักวิทยาศาสตร์โดยใช้ภาพของนักวิทยาศาสตร์ที่มีชื่อเสียงในอดีต อัลกอริทึมของคุณก็อาจเรียนรู้จากกลุ่มนักวิทยาศาสตร์ที่เป็นบุรุษเท่านั้น

อคติในการเลือก

สมมติว่าคุณกำลังฝึกสอนตัวแบบการทำงานให้ตรวจจำใบหน้าหากข้อมูลที่คุณใช้ฝึกสอนนำเสนอคนกลุ่มกลุ่มเดียว ระบบก็จะทำงานได้ดีกับคนกลุ่มนี้มากกว่าคนกลุ่มอื่น ซึ่งอาจส่งผลในการตรวจจำเชื้อชาติที่แตกต่างออกไป

ดังนั้นเราจะหลีกเลี่ยงอคติเหล่านี้ได้อย่างไร

ในฐานะนักข่าว ด่านป้องกันด่านแรกจากอคติอยู่ภายในมือของคุณเอง: ปณิธานและจริยธรรมในการทำงานของคุณคือสิ่งที่ควรนำมาใช้เพื่อประเมินความเป็นธรรมของเทคโนโลยีใหม่ ๆ ที่ถูกนำมาใช้เป็นเครื่องมือในการทำงานของคุณระบบการเรียนรู้ของเครื่องจักรก็ไม่แตกต่างกัน

ไม่ว่าในกรณีใด ๆ คุณควรเริ่มจากการพิจารณาผลลัพธ์ที่ไม่พึงประสงค์ที่อาจกระทบต่อบุคคลในทางเศรษฐกิจ หรือโอกาสที่สำคัญในชีวิตอื่น ๆนี่เป็นประเด็นที่สำคัญอย่างยิ่งหากข้อมูลที่คุณใช้มีข้อมูลส่วนตัวที่อ่อนไหวอยู่ด้วย

หลาย ๆ ครั้ง ความไม่เป็นธรรมในการตรวจจำอาจไม่สามารถระบุได้อย่างชัดเจน และทำให้ต้องมีการถามคำถามทางสังคม การเมืองหรือด้านจริยธรรมเพื่อหาคำตอบว่าระบบการเรียนรู้ของเครื่องจักรของคุณเกิดอคติได้อย่างไร

แม้ว่าข้อมูลการอบรมไม่มีทางที่จะ “ปราศจากอคติ” โดยสิ้นเชิง แต่คุณสามารถเพิ่มโอกาสในการพัฒนาตัวแบบการทำงานที่เป็นธรรมได้หากคุณพิจารณาสาเหตุที่เป็นไปได้ของอคติต่าง ๆ ในชุดข้อมูลของคุณ และจัดการอย่างจริงจัง

สาเหตุที่พบได้บ่อยที่สุดของอคติเกิดขึ้นขณะที่ข้อมูลสำหรับฝึกสอนของคุณไม่ได้สะท้อนกับกลุ่มเป้าหมายสำหรับตัวแบบการทำงานของคุณที่จะใช้คาดการณ์อย่างเหมาะเจาะคุณจะต้องแน่ใจว่ามีข้อมูลเพียงพอสำหรับกลุ่มเป้าหมายต่าง ๆ ที่เกี่ยวข้อง

อคติแบบต่าง ๆ จะเริ่มแสดงให้เห็นเมื่อมีการแสดงผลบางกลุ่มแม่นยำน้อยกว่ากลุ่มอื่น ๆ ในชุดข้อมูลฝึกสอนคุณควรพิจารณาทบทวนข้อมูลของคุณก่อนใช้ข้อมูลเพื่อฝึกสอนตัวแบบการทำงาน เพื่อให้แน่ใจว่าข้อมูลมีอคติที่ระบบอาจนำไปใช้และทำให้เกิดปัญหาซ้ำ ๆ ในอัลกอริทึม

อคติอาจเกิดขึ้นได้หลายช่องทาง ไม่ว่าจะเป็นจากชุดข้อมูลการฝึกสอน เนื่องจากการตัดสินใจที่เกิดขึ้นระหว่างการพัฒนาระบบการเรียนรู้ของเครื่องจักร หรือผ่านทางลูปข้อเสนอแนะที่ซับซ้อนเมื่อมีการใช้งานระบบ ML จริง

คำถามที่คุณอาจต้องถามเพื่อตรวจหาอคติที่อาจเกิดขึ้นได้แก่

• ข้อมูลที่รวบรวมได้มีไว้เพื่ออะไร 
• มีการรวบรวมข้อมูลอย่างไร 
• เป้าหมายของการใช้ชุดข้อมูลและอัลกอริทึมนี้คืออะไร 
• มีการประเมินข้อมูลต้นทางอย่างไร 
• มีการกำหนดกระบวนการวิเคราะห์ข้อมูลอย่างไรก่อนทำการวิเคราะห์

อคติเป็นประเด็นที่ซับซ้อนและไม่มีสูตรสำเร็จในการชี้ชัดแนวทางแก้ไขเริ่มต้นจากความเข้าใจและการใส่ใจเกี่ยวกับปัจจัยเสี่ยงต่าง ๆ และการดำเนินขั้นตอนที่เหมาะสมเพื่อลดโอกาสในการเกิดอคติเหล่านี้