前幾日，清華大學官宣了前微軟全球執行副總裁、人工智慧與研究事業部負責人沈向洋的最新動態：加入清華大學高等研究院，以雙聘教授的身份重新迴歸到大眾的視線中。由於疫情原因，3月5日，清華大學史上首次舉行了線上聘任儀式，在“春風講堂”系列講座第四講活動中，校長連線，遠端完成了聘任儀式。沈向洋也釋出了主題為“Engineering Responsible AI“的講座。在演講開始前，清華大學校長邱勇對沈向洋的加入表示歡迎，並表示，“這是清華大學歷史上第一次以視訊會議的形式舉行聘任儀式，校長連線發聘任書”。其實早在2005年，沈向洋就首次受聘成為了清華大學高等研究院雙聘教授，距今已經過去了15年，嚴格來說，這應該是“續聘”。聘任儀式後，沈向洋在Zoom直播平臺，用全英文進行了主題為Engineering Responsible AI的課程演講，分享了他對目前AI可解釋性與AI偏見相關的研究與看法。演講開始，沈向洋就表示，AI已經從科幻小說和電影中走入了現實，在金融、醫療等眾多領域都已經得到了發展，但AI系統就像黑箱一樣，我們不知道它為什麼是基於什麼標準做出的決策，這也就引出了第一個演講主題：我們缺乏對AI所做決定的認知。不過，沈向洋也指出，在人類歷史發展過程中，每次新技術的開發，都會面臨“如何讓技術更加安全可靠”的問題。比如，在生產電氣零部件時，我們都會有相應的檢查記錄。一旦哪裡出現問題，我們需要對操作檔案進行復盤，找出問題所在。但是，AI沒有這種檢修表，這就讓我們對其中的問題更加迷茫。因此AI的發展需要遵循一定的基本原則，包括公正、透明、可信賴&安全、隱私&安全、適用範圍廣泛、負責。其實，很多年前，人類就已經在使用這種線性模式的系統了，只不過那時我們還不稱其為AI。下面這張圖是一張模型可解釋性的變化圖片，橫軸代表模型的可解釋能力，縱軸表示預測的準確性。以橫軸為標準，越向右邊延伸，模型的可解釋性就越大；以縱軸為標準，越向上延伸，系統預測的準確性越高。在2016年，很多地方都已經推出了用於預測未來罪犯的AI，法庭在審判時也已經開始用AI進行輔助判斷，但我們越是把AI放在一個重要的位置上，就越會擔心演算法是否存在偏見。在下圖中，紅色曲線代表從模型提取的情況，綠色曲線代表實際情況。但問題是，你是根據什麼判斷這個人將會或將不會再次犯罪的？這時或許我們可以借用一下過去的資料，資料告訴我們，如果這個人有犯罪史，在過去他犯得罪越多，未來繼續犯罪的可能性也就越高。從下圖可以看出，美國本土居民的犯罪率較高，對應地，根據紅色柱形圖顯示，重新犯罪比率也比較高，但代表實際的綠線顯示，結果與預測是相反的。人們基於刻板印象，往往會認為非裔美國人犯罪率很高，實際上也並不是這樣。儘管得出這些結論，我們是嚴格基於事實和資料進行的預測，但是其中不可避免地存在著偏見，因此在訓練和利用這種資料集的時候需要格外小心。在舉出第二個例子之前，沈向洋向大家安利了一篇名叫“why should I trust you?:explaining the predictions of any classlfler"的文章。他認為人工智慧信任的關鍵的問題在於，我們理解黑箱中的東西，即使我們向裡面輸入後能夠得到輸出，但是我們仍無法理解模型本身是如何工作的。有些人可能會提出一種看法，他們會說，這些難懂的模型我們不必追求整體解釋，只需要區域性的可解釋性就行了，但是那麼就會出現下列問題。就算我們已經把模型的識別準確率訓練到了5/6，但是仍然有可能無法識別這是哈士奇還是狼。如果你想要一隻哈士奇，卻把一隻狼帶回了家，那麻煩就大了。從上面兩個例子中可以看出，有時候你會以為，你已經訓練出了一個非常強大的模型，但可能實際上並非如此，這就是為什麼模型的可解釋性如此重要的原因所在。
現在我們一說到構建AI，就一定離不開資料。因此在瞭解AI的偏見源於何處的時候，我們也需要從源頭，也就是資料本身下手。
紐約時報此前發過一篇文章，叫作”facial recognition is accurate, if you're a white guy"，目前，在微軟、IBM和Face++制定的面部識別演算法中，黑人、女性的面部識別準確率普遍要低很多。下圖所示，黑色女性人臉識別的錯誤率高達21.073，很多人對此表示抗議。可以看出，模型被改善之後，即使是面對不同膚色人種，識別準確率也有了明顯的提高，許多分類錯誤率已經達到了0.000，即便是黑人女性，識別錯誤率也降低至1.9008。從不斷的訓練中，沈向洋表示，他們得到的結論是：這種偏見來自於訓練採用的樣本資料。基於這個問題，他們對微軟500名機器學習領域工程師進行了調查，向他們詢問是如何改善機器學習系統的？調查後得到的結論是，機器學習工程師面臨的最大問題之一就是，有時候他們知道系統出問題了，但不知道具體是哪裡，也並不知道為什麼。當訓練一個或複雜或簡單的模型時，最終得到了一個準確率為73.8%的結果，這個結果看上去似乎令人滿意，但是一旦再深入訓練的資料集時，會發現上述的一些問題，也就是說，在面對不同的膚色和性別，模型的準確率是不一樣的。所以，沈向洋向大家介紹了一個方法，就是構建了一個系統來進行對比，找出具體問題所在。傳統機器學習系統是低階模式，現在的模型帶有錯誤可解釋性，可以從整體視角根據資料集不同的特徵來判斷問題源於何處，也可以從叢集角度找出到底問題的原因。基於這種模型，一旦出現問題，可以複檢樣本資料集、模型來找出癥結所在。再次回到面部識別，在這個模型中，可以看到他的準確率達到了167/219，但是透過實際應用下來會發現，女性的識別準確度是不如男性的，同時，沒有化妝的、短髮的、不苟言笑的面部的識別準確率不夠高。這就表示你的模型出了問題，你需要重新回到資料上去，發現資料上存在哪些問題。沈向洋表示，訓練時他們使用了很多資料，透過列出27種職業，包括會計、律師、教師、建築師等，然後輸入一段話，系統可以識別出其職業為，如果修改了段落中某些單詞，哪怕只改變很小的一部分 ，比如只修改了性別，最終的結果就從“教師”變成了“律師”。這裡就涉及到了文字嵌入幾何學，這個幾何嵌入有兩個屬性：Proximity和Parallelism。比如當我們說到Apple和Microsoft，大家就會聯想到，這兩家公司都很偉大，他們的成立者是賈伯斯和蓋茨，這些就是嵌入的內容。在比如說，下圖的這張性別幾何圖中，可以看到，如果某個單詞更向下鄰近He，則表示為他；如果某個單詞更向上，鄰近She，表示為她。從橫軸可以看出，單詞越向右，就越與性別無關；越向左，越與性別相關，例如妻子和丈夫，爸爸和媽媽。這裡還可以看出，時髦通常用來形容女性，傑出通常用來形容男性。至此，我們其實已經知道了問題出在哪裡，其實，“時髦”、“傑出”、“天才”這些詞，既可以用來形容男性，也可以用來形容女性。既然知道了問題所在，那麼我們就可以用模型解決。可以說，現在我們已經進入了AI時代，AI已經與我們的生活產生了十分緊密的關係，我們身為AI首代人，時代發展已經由不得我們自己做出選擇是否接受AI，但是我們能決定我們可以用何種方式來構建AI以及使用AI。最後，沈向洋表示，儘管計算機視覺現在很火，但未來十年自然語言處理或許會後來居上，“懂語言者得天下”，這也是沈向洋全程唯一說的中文。
來自 “ ITPUB部落格 ” ，連結：http://blog.itpub.net/31562039/viewspace-2678910/，如需轉載，請註明出處，否則將追究法律責任。
