写点什么

AI/ML 算法的公平性,偏差和对社会/经济的影响

  • 2020-02-05
  • 本文字数:2360 字

    阅读完需:约 8 分钟

AI/ML算法的公平性,偏差和对社会/经济的影响

ArchSummit 北京 2019 大会上,陈海春讲师做了《AI / ML 算法的公平性,偏差和对社会/经济的影响》主题演讲,主要内容如下。


演讲简介


Fairness, bias, and social/economical impact of AI/ML algorithms


“With great power comes great responsibility”, as AI/ML especially deep learning continues to advance in research and expand to commercial applications, AI/ML algorithms are making big social economical impact to people’s lives, from deciding what health insurance policy a person can get, to whether a bank decides to issue a loan to a borrower, or what content a person can see on a web site. With even a slight bias, the algorithms can amplify unfairness or even injustice. So how do we unleash the power of AI/ML to improve people’s lives with fairness and justice, while not tying the hands of the algorithm developers? In this talk, I will talk about how bias creeps into your ML models, both consciously and unconsciously, both from data and from the code, how to address them with novel debias techniques and blackbox model interpretation components, and how to design fairness principles into the architecture of your ML platform, all by using real world examples, cutting edge research results, and practical techniques in algorithm and architecture design. At the end of the talk, you should have a higher level of awareness of bias in AI/ML algorithms, recognize the value of fairness instead of viewing it as an inconvenience, have a mindset of how to address them in your design of ML platform and solutions.


内容大纲


  1. Overview of fairness and bias in AI/ML

  2. Unconscious bias in data

  3. Unconscious bias in algorithms

  4. Well-known trust busters

  5. Current state of the art: research and industry

  6. Case study: B2B AI/ML solutions for digital experience optimization

  7. Identification of protected groups

  8. Generic measurement of fairness

  9. Innovation to correct bias while minimizing accuracy loss

  10. Innovation to interpret black-box model results

  11. Opportunities and challenges in generalizing fairness practices in AI/ML platforms


参考译文


演讲简介


俗话说“权力越大责任越大”。随着 AI / ML(尤其是深度学习)在研究中不断发展并扩展到商业应用,AI / ML 算法对人们的生活日渐产生巨大的社会经济影响,例如保险公司卖给消费者什么样的健康保险,银行是否决定向借款人发放贷款,甚至在网站决定访问者看到什么内容都是由算法决定。即使有轻微的偏差,这些算法都会加剧社会的不公平甚至不公正。那么,如何在不束缚算法开发人员创新的前提下,发挥 AI / ML 的力量,以公平和正义的方式来改善人们的生活呢?


在本次演讲中,我将讨论数据和算法如何有意识或无意识地将偏差渗入到 ML 模型中,如何使用新颖的 Debias 技术和黑盒式模型解释组件来解决这个问题,以及如何将公平原则融入到 ML 平台的架构设计中。所有这些都通过真实案例,前沿研究结果以及算法和架构设计中的实用技术来讲述,以帮助大家对 AI / ML 算法中的偏差有更高的认识,认识到公平的价值,而不是将其视为负担,同时也了解如何在 ML 平台设计中处理这些问题。


内容大纲


  1. AI / ML 中的公平性和偏差概述

  2. 数据中的无意识偏差

  3. 算法中的无意识偏差

  4. 著名的信任破坏案例

  5. 最新的研究和工业技术案例

  6. 案例研究:用于数字体验优化的 B2B AI / ML 解决方案

  7. 确认受保护群体

  8. 公平性的衡量方法

  9. 最小精度损失的去偏差创新方法

  10. 黑箱式模型解释创新方法

  11. 在 AI / ML 平台中推广公平实践的机会和挑战


讲师介绍


陈海春


Netflix Manager, Content Knowledge, Data Science and Engineering


I am managing Content Knowledge Graph team at Netflix where we apply deep learning techniques in NLP and CV to curate the best knowledge about entities in the entertainment world, which in turn is used in content/talent discovery and acquisition. We leverage state-of-the-art models but also develop our own technology whenever necessary. Prior to Netflix, I led data science teams as a group manager at Adobe Inc. where my teams provided AI/ML solutions to enterprises such as Nike and Disney. Prior to Adobe I worked as a senior machine learning engineer at Google where I applied AI/ML techniques to combat abuse and anomaly problems for highly impactful products such a AdWords and Google Play. Prior to Google, I worked as Software Architect at Synopsys Inc. where I applied algorithms and system design to solve simulation problems for semiconductor design and manufacturing.


参考译文:我在 Netflix 带领内容知识图谱团队,结合 NLP 和 CV 中的深度学习技术,来收集有关娱乐界个体的最准确知识,然后利用这些知识帮助我们发现和招募优秀的娱乐内容和人才。我们尽可能采用当前最先进的模型,如有需要也会开发自己的技术。在加入 Netflix 之前,我曾在 Adobe Inc. 领导数据科学团队,为耐克和迪斯尼等企业提供 AI / ML 解决方案。在此之前,我在 Google 担任高级机器学习工程师,使用 AI / ML 技术来解决 AdWords 和 Google Play 等产品中的滥用和异常行为侦测。在 Google 之前,我曾在 Synopsys Inc. 担任软件架构师,应用算法和系统设计来解决半导体设计和制造中的仿真问题。












完整演讲 PPT 下载链接


https://archsummit.infoq.cn/2019/beijing/schedule


2020-02-05 19:341016

评论

发布
暂无评论
发现更多内容

SpringBoot+WebSocket实时监控异常

热爱java的分享家

Java spring 架构 程序人生 编程语言

“阿里巴巴”再次出手,这份Github新开源303页Spring全家桶高级笔记,让你打开眼界

热爱java的分享家

Java 架构 面试 程序人生 编程语言

问题也许没有看上去那么简单

神策技术社区

神策数据

flutter 开发中 vscode 插件推荐 2

坚果

flutter vscode 11月日更

一周信创舆情观察(11.8~11.14)

统小信uos

【混合云小知识】混合云四种形式简单说明

行云管家

云计算 公有云 私有云 混合云 云管理

请说说RPC的一个请求的流程是怎么样的?

热爱java的分享家

Java 架构 程序人生 编程语言 经验分享

【等保】等保3.0是什么意思?有等保3.0吗?

行云管家

网络安全 等保 等级保护 等保2.0

元数据管理在数据仓库的实践应用

大数据技术指南

11月日更

.NET6 引入Autofac

面向对象的猫

.net6 快速上手.net6

熵简技术谈 | 熵简科技在资管数据中台的探索与实践

熵简科技

数据挖掘 数据库 大数据 数据中台 数据分析

轻松搞懂MySQL的执行计划,再也不怕SQL优化了

华为云开发者联盟

MySQL 数据库 sql 执行计划 检索

一文读懂Hive数据存储格式

五分钟学大数据

11月日更

制作 Flask 程序容器镜像

wong

Python flask k8s Dockerfile

腾讯北大合作的稀疏大模型训练加速方案HET入选国际顶会VLDB

科技热闻

如何定义SpringBoot项目配置文件中密码的加密

热爱java的分享家

Java 架构 程序人生 编程语言 经验分享

ApplePay应用内购(inapp)支付流程图

try catch

支付 applepay 苹果支付

【高并发】从源码角度深度解析线程池是如何实现优雅退出的

冰河

Java 并发编程 多线程 高并发 异步编程

uniapp+若依 开发租房小程序

詹Sir

大前端

鱼龙混杂的低代码市场,企业选型需关注哪些重点?

优秀

低代码 企业数字化转型

教你用SQL进行数据分析

华为云开发者联盟

Python sql 数据分析 数据 BI 分析工具

​Qt全球峰会2021中国站深入解读最新Qt 6.2长周期版本,助力企业数字化转型

想一个问题,在高并发中,如何部署奇数个节点?

热爱java的分享家

Java 架构 程序人生 编程语言 经验分享

一文让你彻底搞懂Spring状态及原理,实现订单与物流解耦

热爱java的分享家

Java 架构 程序人生 编程语言 经验分享

Python爬虫采集,中介网互联网网站排行榜, 样本数量:58341

梦想橡皮擦

11月日更

更改Apollo数据库为oracle

小鲍侃java

11月日更

Python量化数据仓库搭建系列1:数据库安装与操作

恒生LIGHT云社区

量化投资

SCTL 涅槃重生:投入 RAL 的怀抱

SphereEx

Java 数据库 大前端 ShardingSphere SCTL

动态模型之动态增减【FunTester测试框架】

FunTester

性能测试 接口测试 测试框架 FunTester 动态模型

技术分享| 如何使用FFmpeg命令处理音视频

anyRTC开发者

音视频 WebRTC ffmpeg 视频通话

武林大会之国产数据库风云榜-2021年11月

墨天轮

数据库 opengauss oceanbase 国产数据库

AI/ML算法的公平性,偏差和对社会/经济的影响_ArchSummit_陈海春_InfoQ精选文章