分散化如何減輕人工智能中的數(shù)據(jù)偏差

Covid-19使全世界的衛(wèi)生系統(tǒng)不堪重負。當時，用于患者的床位和通風機以及用于醫(yī)務人員的防護裝備不足以使人四處走動。這意味著特別是在發(fā)達，衛(wèi)生系統(tǒng)必須采用某些技術(shù)來有效地分源。人工智能就是其中之一，它在對抗方面的重要性不斷提高。

由紐約大學研究人員開發(fā)的一款應用程序，利用人工智能和大數(shù)據(jù)預測Covid-19病例的嚴重性，至少從理論上講就是該技術(shù)如何幫助資源分配的一個很好的例子。研究人員使用了來自武漢160家醫(yī)院的患者數(shù)據(jù)，確定了四種生物標志物，這些生物標志物在死于病毒的患者中明顯高于在康復中的患者。該應用程序基于輸入到AI模型中的數(shù)據(jù)，為患者分配嚴重性評分，臨床醫(yī)生可以使用該評分做出明智的護理和資源分配決策。

公平，性別與平等研究中心的Genevieve Smith和Ishita Rustagi寫道，盡管AI可以給戰(zhàn)場帶來積極影響，但所使用的基礎(chǔ)數(shù)據(jù)中的缺陷可能會加深性別和種族群體之間已經(jīng)存在的不平等現(xiàn)象。加州大學伯克利分校哈斯商學院的領(lǐng)導力，發(fā)表在《斯坦福大學社會創(chuàng)新評論》上。

有趣的是，這些數(shù)據(jù)可靠性問題并非時代所固有。實際上，AI及其機器學習和深度學習的子集(僅舉幾例)受到數(shù)據(jù)偏差和數(shù)據(jù)質(zhì)量難題的困擾。

這里的主要討論是關(guān)于區(qū)塊鏈如何幫助解決這些數(shù)據(jù)可靠性問題。但是，首先了解數(shù)據(jù)偏差的來源很有價值。

另外，在數(shù)據(jù)收集階段，由于收集的數(shù)據(jù)不能代表現(xiàn)實或反映了現(xiàn)有的偏見，因此偏差可能會漏進去。例如，如果您向深度學習模型提供了更多特定皮膚顏色的照片，則后續(xù)的面部識別系統(tǒng)將更好地識別訓練數(shù)據(jù)中的主要皮膚顏色。

關(guān)于收集反映現(xiàn)有偏見的數(shù)據(jù)，亞馬遜亞馬遜據(jù)報道，在發(fā)現(xiàn)基于AI的招聘系統(tǒng)偏向女性后，該系統(tǒng)放棄了該系統(tǒng)。一組研究人員在2019年發(fā)現(xiàn)，將其帶回到醫(yī)療保健中，該算法被許多醫(yī)院用來預測風險并隨后分源，使患者勝于黑人而不是黑人。

兩種基于區(qū)塊鏈的方法來提高數(shù)據(jù)質(zhì)量

挖掘得越深，就會發(fā)現(xiàn)更多的偏見?？紤]到這些問題的復雜性，沒有唯一的解決方案。但是，專家們同意的一件事是對數(shù)據(jù)多樣性的需求。為了實現(xiàn)這種數(shù)據(jù)多樣性，提高數(shù)據(jù)的透明度以及強大的協(xié)作可以改善這種情況。在這里進入?yún)^(qū)塊鏈技術(shù)。通過設(shè)計，該技術(shù)只能通過多方協(xié)作來維護網(wǎng)絡(luò)。這可能為機器學習模型及其所提供的數(shù)據(jù)帶來透明度，去中心化和可驗證性。