
هوش مصنوعی معمولاً بهعنوان فناوریای معرفی میشود که میتواند دادهها را سریعتر از انسان تحلیل کند و در تصمیمگیری به ما کمک کند.
اما یک سؤال مهم وجود دارد:
اگر دادهها یا فرایند طراحی یک سیستم دارای سوگیری باشند، آیا هوش مصنوعی هم میتواند همان سوگیری را بازتولید کند؟
پاسخ میتواند مثبت باشد.
هوش مصنوعی لزوماً بیطرف نیست. مدلها از دادهها، الگوریتمها، دستورالعملهای انسانی و فرایندهای طراحی استفاده میکنند. اگر در هر یک از این مراحل مشکل وجود داشته باشد، ممکن است خروجی سیستم نیز تحت تأثیر قرار بگیرد.
به همین دلیل، سوگیری الگوریتمی یکی از موضوعات مهم در بحث اخلاق، عدالت و استفاده مسئولانه از هوش مصنوعی است.
سوگیری یا Bias در هوش مصنوعی به شرایطی گفته میشود که یک سیستم AI بهطور سیستماتیک برای برخی افراد یا گروهها خروجی متفاوت، نادرست یا ناعادلانه تولید کند.
این موضوع همیشه به معنی «بدخواه بودن الگوریتم» نیست.
گاهی یک سیستم ممکن است کاملاً مطابق دستور طراحیشده عمل کند، اما چون دادههای آموزشی یا معیارهای انتخاب آن مناسب نبودهاند، نتیجه نهایی دچار سوگیری شود.
به زبان ساده:
هوش مصنوعی میتواند الگوهای موجود در دادهها را یاد بگیرد؛ حتی اگر بخشی از آن الگوها ناعادلانه یا ناقص باشند.
سوگیری میتواند در بخشهای مختلف چرخه تولید و استفاده از AI ایجاد شود.
یکی از مهمترین منابع سوگیری، دادههایی هستند که مدل با آنها آموزش میبیند.
فرض کنید یک سیستم تشخیص تصویر با مجموعهای از تصاویر آموزش داده شود که در آن بعضی گروههای انسانی کمتر حضور داشته باشند.
مدل ممکن است در تشخیص تصاویر مربوط به آن گروه عملکرد ضعیفتری داشته باشد.
بنابراین:
داده ناقص → یادگیری ناقص → احتمال خروجی ناقص
فقط مقدار داده مهم نیست؛ نوع داده نیز اهمیت دارد.
اگر دادهای که برای آموزش انتخاب شده نماینده مناسبی از جامعه مورد استفاده نباشد، مدل ممکن است تصویر ناقصی از واقعیت یاد بگیرد.
برای مثال، اگر یک سیستم فقط بر اساس اطلاعات یک منطقه یا یک گروه خاص آموزش دیده باشد، نمیتوان انتظار داشت در همه شرایط عملکرد یکسانی داشته باشد.
گاهی مشکل فقط داده نیست.
نحوه طراحی سیستم، انتخاب معیارها و تعریف هدف نیز میتواند بر نتیجه تأثیر بگذارد.
طراحان AI باید تصمیم بگیرند:
چه چیزی را مدل کند؟
چه دادهای اهمیت بیشتری داشته باشد؟
خطای قابل قبول چیست؟
چه معیاری برای موفقیت استفاده شود؟
هر یک از این انتخابها میتواند نتیجه نهایی را تغییر دهد.
انسانها در بسیاری از مراحل توسعه AI حضور دارند.
برای مثال، انسانها:
داده انتخاب میکنند.
داده را برچسبگذاری میکنند.
معیارها را تعیین میکنند.
مدل را ارزیابی میکنند.
خروجیهای مطلوب را تعریف میکنند.
بنابراین اگر در فرایند انسانی سوگیری وجود داشته باشد، ممکن است بخشی از آن وارد سیستم شود.
فرض کنیم یک شرکت میخواهد یک سیستم هوش مصنوعی برای بررسی رزومههای شغلی بسازد.
سیستم بر اساس دادههای استخدامی سالهای گذشته آموزش داده میشود.
اگر دادههای گذشته نشاندهنده یک الگوی استخدامی نابرابر باشند، مدل ممکن است همان الگو را یاد بگیرد.
در این شرایط ممکن است الگوریتم تصور کند:
«این نوع رزومه احتمال موفقیت بیشتری دارد.»
در حالی که این الگو الزاماً به معنای شایستگی واقعی افراد نیست.
این مثال نشان میدهد که:
پیشبینی یک الگوی تاریخی ≠ تشخیص عادلانه توانایی افراد
این سؤال نیاز به دقت دارد.
هوش مصنوعی مانند یک انسان دارای قصد و نیت نیست.
بنابراین بهتر است به جای اینکه بگوییم:
«AI تصمیم گرفت علیه یک گروه تبعیض کند»
بگوییم:
«یک سیستم AI ممکن است خروجی سوگیرانه یا تبعیضآمیز تولید کند.»
این تفاوت مهم است.
تمرکز باید روی داده، طراحی، عملکرد سیستم و پیامد واقعی خروجی باشد.
اگر یک سیستم AI در حوزههای مهم استفاده شود، سوگیری میتواند پیامدهای جدیتری داشته باشد.
برای مثال در:
استخدام
آموزش
خدمات مالی
بیمه
تشخیص چهره
تبلیغات
خدمات عمومی
سیستمهای قضایی
سلامت
اگر یک الگوریتم عملکرد نابرابری داشته باشد، ممکن است تصمیمهای آن روی زندگی واقعی افراد تأثیر بگذارد.
یکی از حوزههایی که درباره آن پژوهشهای زیادی انجام شده، فناوری تشخیص چهره است.
NIST در بررسی گسترده خود درباره الگوریتمهای تشخیص چهره نشان داده است که میزان خطا میان الگوریتمها و گروههای مختلف میتواند متفاوت باشد و عواملی مانند سن، جنسیت و ویژگیهای جمعیتی با تفاوت در عملکرد برخی الگوریتمها ارتباط داشتهاند.
این یافته به یک نکته مهم اشاره میکند:
یک مدل ممکن است روی یک گروه عملکرد بسیار خوبی داشته باشد، اما این به معنی عملکرد یکسان روی همه گروهها نیست.
به همین دلیل ارزیابی AI باید فراتر از یک عدد کلی دقت باشد.
فرض کنید یک سیستم میگوید:
دقت کلی = ۹۵٪
در نگاه اول عدد خوبی به نظر میرسد.
اما باید پرسید:
این ۹۵ درصد چگونه محاسبه شده است؟
اگر سیستم روی یک گروه ۹۹ درصد و روی گروه دیگری ۸۰ درصد دقت داشته باشد، میانگین کلی ممکن است بخش مهمی از مشکل را پنهان کند.
بنابراین در سیستمهای حساس باید عملکرد مدل برای گروهها و شرایط مختلف نیز بررسی شود.
یک نکته جالب این است که AI فقط با سوگیری الگوریتمی مواجه نیست.
انسانها نیز دارای سوگیریهای شناختی هستند.
اگر انسان هنگام طراحی یا استفاده از سیستم بیش از حد به خروجی AI اعتماد کند، ممکن است یک چرخه ایجاد شود:
سوگیری انسان → داده یا طراحی → خروجی سوگیرانه AI → اعتماد انسان → تکرار سوگیری
به همین دلیل، نظارت انسانی همچنان اهمیت زیادی دارد.
رسیدن به یک سیستم کاملاً بدون سوگیری کار بسیار دشواری است.
چون مفهوم «عدالت» نیز همیشه یک تعریف واحد ندارد.
ممکن است دو گروه از متخصصان درباره اینکه یک الگوریتم عادلانه است یا نه، اختلاف نظر داشته باشند.
به همین دلیل هدف عملیتر میتواند این باشد:
شناسایی سوگیری
اندازهگیری آن
کاهش خطا
بررسی عملکرد گروههای مختلف
ایجاد امکان اعتراض یا اصلاح
نظارت مداوم
هرچه دادههای آموزشی بهتر نماینده جمعیت هدف باشند، احتمال برخی انواع خطا کاهش پیدا میکند.
البته تنوع داده بهتنهایی کافی نیست.
مدل باید در شرایط و جمعیتهای مختلف آزمایش شود.
یک مدل موفق در محیط آزمایشگاهی الزاماً در دنیای واقعی عملکرد یکسانی ندارد.
در سیستمهای حساس، ارزیابی نباید فقط توسط تیم سازنده انجام شود.
بررسی مستقل میتواند مشکلاتی را آشکار کند که در فرایند توسعه دیده نشدهاند.
کاربران و نهادهای مسئول باید تا حد امکان بدانند:
سیستم برای چه کاری ساخته شده؟
چه محدودیتهایی دارد؟
چگونه ارزیابی شده؟
چه نوع دادههایی برای آموزش استفاده شده؟
میزان خطای آن چقدر است؟
شفافیت به معنای افشای تمام جزئیات فنی یک مدل نیست؛ بلکه به معنای فراهم کردن اطلاعات کافی برای ارزیابی مسئولانه آن است.
در حوزههایی که تصمیم AI میتواند تأثیر جدی بر زندگی انسان داشته باشد، اتکای کامل به الگوریتم میتواند مشکلساز شود.
مثلاً اگر یک سیستم در استخدام، اعتبار مالی یا خدمات حساس تصمیمی پیشنهاد دهد، وجود امکان بررسی انسانی میتواند اهمیت داشته باشد.
البته نظارت انسانی نیز باید واقعی باشد.
اگر انسان فقط خروجی AI را بدون بررسی تأیید کند، حضور او عملاً مشکل را حل نمیکند.
این موضوع را نمیتوان با یک پاسخ کلی حل کرد.
در برخی وظایف، AI میتواند تصمیمگیری را استانداردتر و قابلاندازهگیریتر کند.
از طرف دیگر، اگر دادهها یا طراحی سیستم مشکل داشته باشند، همان فناوری میتواند سوگیری را در مقیاس بزرگ بازتولید کند.
بنابراین مقایسه «انسان یا AI» بهتنهایی کافی نیست.
سؤال بهتر این است:
در چه کاری، با چه دادهای، تحت چه نظارتی و با چه معیارهایی از AI استفاده میکنیم؟
شاید تصور کنیم سوگیری فقط مشکل شرکتهای بزرگ و توسعهدهندگان AI است؛ اما کاربران عادی نیز میتوانند با چند عادت ساده محتاطتر باشند.
منبع این اطلاعات چیست؟
آیا این نتیجه بر اساس داده کافی است؟
آیا بهتر نیست آن را با یک منبع مستقل مقایسه کنم؟
آیا ممکن است مدل اطلاعات ناقص یا نادرست داشته باشد؟
این چند سؤال ساده میتوانند از اعتماد کورکورانه به AI جلوگیری کنند.
هرچه استفاده از AI گستردهتر شود، موضوع سوگیری نیز اهمیت بیشتری پیدا میکند.
هدف نباید فقط ساخت مدلهایی باشد که سریعتر و قدرتمندتر هستند.
همزمان باید درباره این موضوعات نیز فکر کرد:
دقت، عدالت، شفافیت، امنیت، حریم خصوصی و پاسخگویی.
هوش مصنوعی زمانی میتواند به شکل مسئولانه وارد زندگی انسان شود که عملکرد آن فقط با سرعت و دقت فنی سنجیده نشود.
در مجله اوپاکالا، هدف از بررسی هوش مصنوعی فقط معرفی فناوریهای جدید نیست.
شناخت محدودیتهای فناوری نیز به همان اندازه اهمیت دارد.
سوگیری AI نمونهای از موضوعاتی است که نشان میدهد استفاده از فناوری بدون شناخت سازوکار و محدودیتهای آن میتواند تصمیمگیری را پیچیدهتر کند.
بنابراین بهتر است هنگام استفاده از هوش مصنوعی همیشه دو سؤال را همزمان مطرح کنیم:
AI چه کمکی میتواند به ما بکند؟
و:
در چه شرایطی ممکن است اشتباه کند؟
شناخت هر دو طرف ماجرا، بخشی از سواد هوش مصنوعی است.
سوگیری هوش مصنوعی به این معناست که یک سیستم AI ممکن است برای گروهها یا شرایط مختلف عملکرد متفاوت یا ناعادلانهای داشته باشد.
این مشکل میتواند از منابع مختلفی ایجاد شود:
دادههای ناقص
دادههای نامتوازن
طراحی الگوریتم
معیارهای ارزیابی
تصمیمهای انسانی
استفاده نادرست از مدل
راهحل نیز یک اقدام ساده نیست.
باید داده مناسب، آزمایش دقیق، ارزیابی مستقل، شفافیت، نظارت انسانی و بررسی مداوم در کنار یکدیگر قرار بگیرند.
در نهایت، هوش مصنوعی هرچقدر هم پیشرفته باشد، نباید به این معنا باشد که انسان دیگر نیازی به پرسش، بررسی و قضاوت ندارد.
سوگیری AI زمانی رخ میدهد که یک سیستم بهطور سیستماتیک برای برخی افراد یا گروهها خروجی متفاوت، نادرست یا ناعادلانه ایجاد کند.
دادههای آموزشی یکی از منابع مهم سوگیری هستند، اما طراحی سیستم، انتخاب معیارها و تصمیمهای انسانی نیز میتوانند نقش داشته باشند.
حذف کامل همه انواع سوگیری بسیار دشوار است. هدف عملیتر، شناسایی، اندازهگیری و کاهش سوگیری و ایجاد سازوکارهای نظارت و اصلاح است.
بله. انسانها نیز میتوانند سوگیریهای شناختی داشته باشند و این سوگیریها ممکن است در دادهها و طراحی سیستمهای AI بازتاب پیدا کنند.
این موضوع به کاربرد، داده، معیارهای عدالت، طراحی سیستم و روش نظارت بستگی دارد و نمیتوان یک پاسخ کلی برای همه کاربردها ارائه کرد.