讓機器解釋自己：避免讓偏見影響機器學(xué)習(xí)系統(tǒng)

2018年5月25日，“通用數(shù)據(jù)保護條例”（GDPR）在整個歐盟范圍內(nèi)生效，要求對組織如何處理個人數(shù)據(jù)進(jìn)行徹底改變。若違反GDPR條例的限制，相關(guān)組織必須支付高達(dá)2000萬歐元或其全球收入4％的罰款（以較高者為準(zhǔn)），對威懾大多數(shù)違規(guī)行為具有很重要的意義。

由于不久前的劍橋分析丑聞鬧得人心惶惶，許多人希望GDPR將成為全球數(shù)據(jù)隱私新標(biāo)準(zhǔn)的典范。目前一些行業(yè)領(lǐng)導(dǎo)者正在呼吁Facebook將GDPR標(biāo)準(zhǔn)應(yīng)用于其在非歐盟國家的業(yè)務(wù)。

但隱私只是圍關(guān)于數(shù)據(jù)驅(qū)動系統(tǒng)之爭的一個方面，實際上機器學(xué)習(xí)支持系統(tǒng)的日益普及引發(fā)了一系列相關(guān)問題，包括一個對社會產(chǎn)生很大影響且無法量化的問題：偏見。

在我們的生活中，許多重要決策都是由某種系統(tǒng)做出的，很多系統(tǒng)都存在明顯的偏見，無論這系統(tǒng)是人、機器還是二者的組合。機器學(xué)習(xí)在決策制度中的作用越來越大，這為我們提供了一個建立更少偏見的系統(tǒng)的機會，當(dāng)然也面臨著加劇這一問題的風(fēng)險。

我們通常認(rèn)為計算機比人類更客觀、更公正。然而過去的幾年里，許多機器學(xué)習(xí)系統(tǒng)產(chǎn)生了帶有偏見或歧視的結(jié)果，人們對此也有著很多爭議。2016年時ProPublica曾報道，美國法院用來衡量被告再次犯罪可能性的機器學(xué)習(xí)算法，在對比背景相似的黑人與白人被告時會認(rèn)為黑人的“風(fēng)險更高”，即使系統(tǒng)沒有提供有關(guān)被告種族的任何數(shù)據(jù)也依然如此。

不久前一篇名為《關(guān)于模型可解釋性的深入思考：從哪里來，到哪里去？》的文章中，曾詳細(xì)介紹了學(xué)習(xí)出一個通用智能行動者的潛力和局限性，算法公平方面細(xì)微的以及可以被真正規(guī)范化的挑戰(zhàn)。人們使用機器學(xué)習(xí)系統(tǒng)的目的是希望世界更公平、更有效率，而不是進(jìn)一步放大人類的偏見。

這就是為什么GDPR允許用戶可以要求解釋機器任何“合法或類似重要”的決策，希望解釋的權(quán)利能夠使“算法歧視”的受害者訴諸人權(quán)，從而減輕這種偏見的影響。

但是生成這些類型的解釋——即創(chuàng)造可解釋的人工智能——是非常復(fù)雜的，而且即便系統(tǒng)對決策做出了解釋，也有一些評論家認(rèn)為“無法分辨它們是真的反對偏見，還是僅僅是掩飾偏見?！?/p>

可解釋的人工智能以及GDPR是否會使技術(shù)更公平？如果不是，隨著機器學(xué)習(xí)的使用變得更加普遍，我們還有什么替代方法可以防范偏見？

機器學(xué)習(xí)中的偏見

關(guān)于偏見的討論常常被過分簡化為諸如“種族主義算法”這樣的詞語，但其實問題不在于算法本身，而是數(shù)據(jù)研究團隊提供給機器的數(shù)據(jù)。

例如，收集以往的數(shù)據(jù)是數(shù)據(jù)科學(xué)項目的一個共同起點，但“歷史數(shù)據(jù)往往偏向于我們不希望轉(zhuǎn)移到未來的方式，”加州大學(xué)伯克利分校電子工程與計算機科學(xué)學(xué)院助理教授、加州大學(xué)伯克利分校崛起實驗室的創(chuàng)始人之一Joey Gonzalez說。

假設(shè)某公司建立了一個篩選求職者的機器學(xué)習(xí)模型，并基于公司過去篩選類似職位求職者的數(shù)據(jù)集對模型進(jìn)行培訓(xùn)。如果該公司的HR曾多次拒絕過那些試圖重返職場的前全職父母，則培訓(xùn)的結(jié)果很有可能會讓模型也將這些存在長期就業(yè)缺口的人排除在外。

如果更進(jìn)一步，這將導(dǎo)致模型過多的拒絕女性求職者（全職父母多為女性）從而造成性別比例失調(diào)，即使性別并不是模型培訓(xùn)數(shù)據(jù)集中的特征。因此在這一領(lǐng)域中，使用機器學(xué)習(xí)將進(jìn)一步放大人類的偏見。

而這就是可解釋的人工智能的用武之地。如果操作人員能夠檢查“推理”算法，就有可能在算法產(chǎn)生嚴(yán)重偏差之前進(jìn)行糾正。

讓機器解釋自己

由于機器學(xué)習(xí)系統(tǒng)的行為由它學(xué)到的數(shù)據(jù)所驅(qū)動，所以它的工作方式與人們編寫的標(biāo)準(zhǔn)計算機程序有很大不同。人們可以測量一個機器學(xué)習(xí)系統(tǒng)的準(zhǔn)確性，但是對于這種系統(tǒng)實際做出決策的可見性是有限的。

（和人腦類似，人腦的思考是由特定區(qū)域內(nèi)神經(jīng)元的復(fù)雜放電而產(chǎn)生，但人們并不確切知道具體怎樣的神經(jīng)元活動會得出怎樣的思考。所以當(dāng)人們想驗證決策正確性時并不會去掃描大腦，而是通過相關(guān)數(shù)據(jù)以及過往的經(jīng)驗判斷。）

可解釋的人工智能要求機器學(xué)習(xí)算法可以自己證明決策的正確性。華盛頓大學(xué)的研究人員在2016年構(gòu)建了一種稱為LIME的解釋技術(shù)，并在由Google構(gòu)建的圖像分類神經(jīng)網(wǎng)絡(luò)Inception Network上進(jìn)行了測試。

LIME在做出圖像分類決策時，不會考慮觸發(fā)神經(jīng)網(wǎng)絡(luò)中的哪個神經(jīng)元，而是在圖像本身中搜索解釋。它會將原始圖像的不同部分變黑，并通過Inception將產(chǎn)生的“擾動”圖像反饋回來，以檢查哪些擾動將算法拋離最遠(yuǎn)。

通過這種方法，LIME可以將初始網(wǎng)絡(luò)分類決策歸因于原始圖片的特定特征。例如對于青蛙的圖像，LIME發(fā)現(xiàn)抹除部分臉部會讓初始網(wǎng)絡(luò)很難識別圖像，這表明最初的分類決策大多是基于青蛙的臉。

雖然像LIME這樣的特征歸屬方法并不能完全解釋算法的決策，并且在各種類型的機器學(xué)習(xí)模型上都不能工作的很好，但至少在圖像分類方面，它朝著正確方向邁出了一步。

據(jù)了解，美國的人臉識別系統(tǒng)對黑人的面部識別遠(yuǎn)不如對白人那般精確（訓(xùn)練算法時用的圖像多為白人），這增加了黑人被監(jiān)控攝像誤認(rèn)導(dǎo)致被逮捕的可能性，嚴(yán)重者甚至?xí)a(chǎn)生誤判。更好的解釋這些算法決策并加以監(jiān)督，顯然將有助于避免此類不良結(jié)果。

人們還需要做什么

雖然可解釋的人工智能和神經(jīng)網(wǎng)絡(luò)的特征歸因很有發(fā)展前景，但消除人工智能的偏見最終會歸結(jié)為一件事：數(shù)據(jù)。

如果算法的訓(xùn)練數(shù)據(jù)不能公平的覆蓋開發(fā)者想要服務(wù)的人群，系統(tǒng)就很有可能出現(xiàn)偏差。如果訓(xùn)練數(shù)據(jù)隱含了歷史上的不公平現(xiàn)象，該算法就會學(xué)習(xí)進(jìn)而延續(xù)甚至放大這些問題。

雖然GDPR和類似的法規(guī)對組織如何使用數(shù)據(jù)進(jìn)行了一些控制，但它們也無法阻止這些組織使用已經(jīng)存在偏見的數(shù)據(jù)集。

算法的發(fā)展當(dāng)然對克服偏見有所幫助，但歸根結(jié)底責(zé)任并不在數(shù)學(xué)結(jié)構(gòu)、軟件或硬件，而是在于這些決策系統(tǒng)的設(shè)計者和操作者，人們有責(zé)任明智而公平地收集，存儲和使用這些數(shù)據(jù)。

從某種意義上說，減少機器學(xué)習(xí)算法中的偏見不僅需要人工智能的進(jìn)步，還需要我們對人類多樣性理解的進(jìn)步。

為了開發(fā)公平和負(fù)責(zé)任的人工智能，技術(shù)人員需要社會學(xué)家，心理學(xué)家，人類學(xué)家和其他專家的幫助，他們能夠洞察偏見對人類生活的影響，并告訴人們?nèi)绾伪苊庾屍娪绊憴C器學(xué)習(xí)系統(tǒng)。

技術(shù)本身并不能解決社會問題，但是通過不同學(xué)科間的合作，研究者和開發(fā)者可以創(chuàng)建有利于更公平社會的機器學(xué)習(xí)技術(shù)。