如何用公平的方式防止人工智慧偏見

人工智慧(AI)具有徹底改變業務營運的巨大潛力。事實上，根據一項研究發現，67%的企業預計人工智慧和機器學習用例在未來一年將會增加。這些技術在提高業務效率、產生洞察力、增強市場競爭力和提供個人化客戶體驗方面具有優勢。

然而，在高度監管的行業中，企業面臨著與AI可解釋性相關的特殊挑戰。金融服務、保險和醫療保健等行業必須使用透明、可審計的決策平台，以遵守嚴格的法規和合規標準。如今，有許多人工智慧解決方案可以自動化業務流程和決策，但很少有能夠提供有意義的解釋。在充滿潛力的同時，企業必須絕不能忽視自動化決策和預測背後的原因。

為未來的法規做準備

如今，政治組織和社會都呼籲提高人工智慧的透明度。此外，政府和消費者希望更深入了解其信貸和貸款審批、行銷活動和智慧家庭技術背後的演算法。美國的演算法問責法和全球歐盟人工智慧法的擬議立法尋求建立安全、道德和透明的人工智慧結果的標準。然而，由於用例仍在演變和出現，政府才剛開始尋找對AI實施監管的方法。

例如，紐約市議會通過了一項針對就業工具中使用的人工智慧演算法的法案。該法將於2023年生效，要求雇主聘請獨立審計師來評估，以及用於評估求職者和現有員工的人工智慧工具。該法律要求對用於篩選求職者或提拔員工的人工智慧工具進行偏見審計。對於有偏見的AI演算法或未事先通知員工和候選人使用此類工具，將處以最高1,500美元的罰款。在短期內，隨著法規的出現和標準的發展，企業應該專注於提高透明度的方法，為未來的法規做好準備。

利用機器學習的一個挑戰是，根據定義，它是基於偏見構建的。雖然並不是所有的偏見都是有害的，但當它產生的結果對受保護階層，如性別、種族、年齡等有利或不利，並對一個人產生負面影響，例如批准臨床試驗、健康管理、貸款資格或信貸批准時，它就會變得有害。

保護演算法和防止有害偏見的必要性是眾所周知的。但要有效地消除有害的偏見，就需要了解每個決定或預測的數據。為了獲得至關重要的透明度，企業必須對由機器學習和業務規則組成的演算法有可見性，從而推動決策以提供完整的審計追蹤。例如，使用人工智慧進行理賠審批的保險公司必須能夠清楚地解釋為什麼要做出每個決定。

「黑盒子」問題如何加重AI創新的負擔

#借助人工智慧，許多企業面臨著一個問題，它們的人工智慧解決方案提供了預測並支援自動化，但無法解釋為什麼它會做出某個決定以及影響結果的因素，就將企業置於重大法律或名譽損害的風險之中。

企業需要能夠清楚地看到結果背後的原因，以確保演算法決定傳回預期的結果。將人工智慧的黑盒子變成透明、可解釋的“玻璃盒子”，對於防止對客戶和消費者的傷害、降低公司和品牌的風險至關重要。

從本質上講，機器學習是基於歷史資料進行預測。 「透過意識實現公平」指的是一種方法，該方法允許企業透過使用元資料欄位來確定一個模型是否對具有共享特徵的各個組同樣表現良好，即使該特徵沒有直接在模型中使用。這種意識有助於企業在導致不公平或有害的決定之前避免、量化和減輕有害的偏見。

企業人工智慧未來的清晰願景

隨著人工智慧在整個企業的應用越來越多，企業必須尋求人工智慧的透明度和可審計性，以確保結果不受有害偏見的影響。只有當我們優先考慮並實施可解釋的、透明的人工智慧解決方案時，我們才能減少有害的偏見，降低風險並促進信任。

雖然基於技能的招募越來越受歡迎，但關於這種做法的有效性和優點的神話仍然存在。消除這些誤解是促進必要變革的關鍵，以創造更公平、更永續的勞動力。

畢業生的生活

美國勞動市場將在2022年持續調整。一項針對2,300多名高階主管的調查發現，65%的高階主管希望在上半年增加新的固定職位。還有33%的人在競爭填補職缺，目前全美有超過1,080萬個職缺。傳統的招募實踐並不是滿足勞動力需求的可行手段。公司必須使他們的方法現代化以保持競爭力。這意味著接受基於技能的招募。

基於技能的招募強調候選人的技術技能和核心能力，而不是學位或證書，是工作成功的最關鍵因素。這種做法要求招募團隊定義一個角色所需的和首選的技能，並客觀地評估這些技能，以最大限度地減少招募過程中的偏見。

領先公司越來越多地轉向以技能為基礎的招聘，下面我們將討論一些關於採用基於技能的方法的最大誤解、以及如何解決它們來推動公司的文化轉變。

1、以技能為基礎的招募對大學畢業生不公平。

以技能為基礎的招募並不是要把大學畢業生排除在考慮範圍之外，或是降低入職門檻。它是關於闡明學位所代表的特定技能。這樣一來，持有學位的人和透過其他途徑掌握技能的求職者都可以考慮擔任該職位。這有助於為所有人提供民主化的經濟機會，並擴大公司可以獲得的人才庫。

以前不需要學歷的職位，如今對四年學歷的需求，助長了聲望經濟，也讓企業需要付出更多的成本。在這種模式下，許多曾經向上流動的工作對所有人來說都變得遙不可及，只有那些能夠負擔得起不斷上漲的高等教育費用的人才能得到。這也將人才排除在低收入社區之外，尤其是有色人種。以技能為基礎的招聘為解決這種不平等提供了一種切實可行的方法，並為66%沒有學士學位的美國人，包括75%以上的黑人和80%以上的拉美裔恢復了候選人資格。

2、基於技能的招募會導致糟糕的招募並損害業務。

採用以技能為基礎的方法可以更有效地篩選和招募候選人。基於技能的招募對未來表現的預測能力是基於教育招募的5倍，是基於工作經驗的招募的2.5倍。此外，許多企業報告稱，沒有學位的員工與大學畢業生的工作效率一樣高，在某些情況下甚至更高。

以技能為基礎的招募的其他優點包括：減少招募時間，提高員工敬業度，降低人員流動率。

3、在以技能為基礎的招募並不是一個現實的人才獲取策略。

也許不是在過去。從歷史上看，招募團隊對招募工作採取了超本地化的視角。隨著遠距工作的興起，企業可以發起更廣泛的求職者搜索，找到符合市場技能需求的人。

從宏觀來看，這可能看起來像在資源不足的地區與勞動力開發企業建立夥伴關係，以建立技能多樣的候選人管道來填補遠端角色。透過這些夥伴關係，企業可以同時推動業務成果和經濟公平。

雖然設計和啟動基於技能的招募需要時間，需要有意識地學習和放棄，但你的公司、員工和社群最終會受益。現在投資於以技能為基礎的招聘將使企業為未來以技能為驅動的工作做好準備，並創造一個所有美國人都能切實參與未來的經濟。

以上是如何用公平的方式防止人工智慧偏見的詳細內容。更多資訊請關注PHP中文網其他相關文章！