三个关键外卖时考虑人工智能,数据和人类。
人们经常讨论人工智能(AI)和其潜在影响业务,但他们真的是什么意思?和我们有一个明确的基础开始拆包它真正的价值?
收集技术下降大约一般头“人工智能”包括机器人过程自动化,机器学习(ML),神经语言程序学(NLP),深度学习、预测分析、神经网络、量子计算、机器人技术和自主流动等等。人工智能的前提下产生巨大的恐惧和伟大的乐观,这取决于应用程序和观众。
的EPIC2018证据会议解决这些对立的情绪。它为社会科学家提供了一个论坛,计算机科学家和技术专家的许多条纹公开辩论如何协作方法的收集、使用、分析和传播“喂养”的数据产品,服务和品牌。188bet金宝搏app这些跨学科对话的核心是共享相信人类经验时应改进——平凡而深刻的创建和作用于证据或数据(定性和定量)。道德因素——这些谈话。
证据的定义提出质疑,在这个过程中,使得经常蕴涵概念,“数据”(机器生成的品种,特别是)更“真实”“有效的”,因此比其他形式的洞察力。“硬数据”可以关联多少多少,但它不会混乱背后的“为什么”最终非常人类决策。
谈话导致三个关键外卖时考虑人工智能,数据和人类:
- 道德不应该附加数据。伦理性考量不可以叠加上一组数据和想象中和过程中偏差。如何,什么和收集数据的采样和解释材料具有深远影响的“证据”。根据开放民主取代了,“一个社会的突触神经网络通常会倾向于一个加强版的现状。机器学习本身不能学习新的系统的社会模式,只有泵的现有计算永恒。此外,这些放大效应的重量将落在大多数数据可见,即。,穷人和边缘化。”
- 负责任的AI实践必须包括课程教毫升从业者对公平。例如,从业者应该学习不同人口统计的人将如何影响模型的预测。谷歌公平提供了一个速成班,帮助毫升工程师“意识到人类共同的偏见,无意中可以复制ML算法。”It's not enough to say "we are deeply committed" to data fairness and privacy. As discussions at EPIC2018 demonstrated, a genuine and urgent commitment to making things better for people through AI requires doubling down on the root social and political causes of bias, which today are amplified and replicated in data.
- 鼓励讨论的主题倾向数据在你的开发团队。EPIC2018更新后,我的玫瑰园,新泽西创新实验室co-collaborators加入我以不同的方式考虑数据收集、数据建模和数据输出。,尽管我们没有任何明确的答案最终是一个非常大的问题,它确实为我们提供了一个论坛,问更好的问题,同时也承认的紧迫性任务。
机器和人逐渐升华,这只会变得更亲密的关系。所以我们要做些什么呢?我们如何能有助于更人道的对话在机器学习如何?
作为科技社区的成员,我们如何开始问更明智的问题如何收集数据的手段得到的数据流转换通过算法方面都有意和无意的,良性的或无害的?意识到数据并不是价值中立是一个伟大的起点。
去更深层次的问题: