[AI學術]機器學習公不公平？|數位時代 BusinessNext

[AI學術]機器學習公不公平？

運用機器學習技術的演算法，都會用到大量的人類活動歷史資料，訓練數學模型進行決策。而過往的人類行為很可能內含偏見與歧視，如何避免數學模型學到人類的歧視行為，是演算法公平性研究的一個重要問題。

演算法公平性（algorithmic fairness）是與大數據、機器學習相關的新興研究主題之一，大約從2015年開始受到媒體報導與關注。

這個主題研究的是，當我們開始在醫療、保險、法律、金融或其它領域，運用資料與演算法進行某些傳統上由人進行的決策時，能不能確保演算法的結果符合這些領域應維繫的「公平原則」？

如何避免數學模型學到人類的歧視行為？

其中一個重要議題是反歧視（non-discrimination）。

運用機器學習技術的演算法，都會用到大量的人類活動歷史資料，訓練數學模型進行決策。而過往的人類行為很可能內含偏見與歧視，如何避免數學模型學到人類的歧視行為，是演算法公平性研究的一個重要問題。

這些隱含的偏見與歧視行為，不是把可能造成歧視問題的資料欄位去除或去識別化，就可以消除的。

Google Research Blog這篇文章就舉了一個例子：對於少數群體，很可能我們手上的dataset顯著地缺乏。而機器學習的準確度很大程度取決於訓練資料量的多少，因此「少數族群」就可能較容易被誤判為高風險，而受到不公平的對待。

如果人類社會本來就存在一些偏見與歧視，那麼歧視就不是機器才有的行為，為什麼機器學習領域還要特別關注這個問題呢？

因為機器與自動化可以放大隱含的偏見與歧視，而且放大的程度可能難以控制（參見《大數據的傲慢與偏見》一書），因此避免機器複製這些行為，對於擴大機器學習的運用與社會安定是重要的。

目前在這個主題上的研究，大部份在設計公平的分類演算法（classifier），方法通常是對「公平」這個概念提出一個數學定義，再找出一個可行的演算法或訓練方法。少部份研究如Skirpan et al（2017）[1]則試圖擴大公平性研究的範圍。

Skirpan等人認為「公平」的內涵會隨著討論的脈絡而改變，必須要看是關於誰？是什麼群體？在什麼時間？如何達成公平來考慮一個演算法是否公平。

因此與前述先確定一個公平的定義再進行討論的研究路線稍有不同。

以下先以Skirpan等人的分類說明一些研究方向的進展，「公平的定義與數學模型」一節再說明幾個常見的公平的數學定義與其研究進展。

公平性研究的範圍

Skirpan et al（2017）這篇論文，把機器學習的公平性研究分為3個大問題：

Fairness of a system問的是：建立一個X這樣的機器學習系統是否公平？例如Bird at el（2016）[2]就從實驗倫理的角度提出對於自動化實驗（autonomous experimentation）的疑慮，認為在建立某些機器學習自動化實驗系統之前，我們需要有機器學習實驗倫理與覆核機制，否則這可能本身是有問題的（類似於對人體進行某些實驗是有倫理問題的）。
Fairness of an approach問的是：要建立一個X這樣的機器學習系統，有沒有技術上公平的作法？這可能是目前最多研究著墨的問題，但Skirpan等人在這裡所列舉的成果，完整度似乎不若公平分類演算法設計的文獻。可參考下一節「公平的定義與數學模型」。
Fairness of a result問的是：建立了一個X這樣的機器學習系統之後，它產出的結果是公平的嗎？這相當於事後補救，用黑箱測試的方式檢驗機器學習系統需不需要修正。在美國，由於再犯預測模型（recidivism prediction system）的運用稍早，有不少相關研究。這部份的文獻量（可查詢recidivism prediction與disparity等關鍵詞）不少。

公平的定義與數學模型

這方面的研究常引用經濟學、哲學對於公平概念的操作型定義，討論的對象都是分類演算法。

概念上可以這樣看：集合X是所有要被分類的個體，A是X之中「被保護的」（可能會被歧視的）部份，x是一個任意的個體。那麼有幾種方式定義公平：

Fairness through unawareness：忽略個體x是不是在A之中。這等於演算法完全無視「x是否屬於A」這個條件，只用其它條件進行分類。這個方式可能很直觀，但可能反而對非A群體不公平，並且有redundant encoding的問題，因此目前研究上多不採用。
Demographic parity（也稱作statistical parity、group fairness）：A與非A兩個群體，被分類到各個類別的比例一樣。例如某個行業的從業人口男女比為1:2，那麼受僱用的男女比也應該接近1:2。這個作法可以完全避免redundant encoding，但Dwork et al（2012）[3]指出這可能造成整體看來公平但對個體而言不公平。例如在非A中的個體x可能條件比A之中入選的個體要好，但因為名額限制而沒有入選。
Individual fairness：Dwork et al（2012）提出這個想法來取代group fairness。概念上是用兩兩比較的方式，也就是「如果x跟y的條件很相近，那麼他們被分類的結果也要很相近」。這個作法要先取一個度量d(x, y) 來表示「x與y兩個個體的條件有多相近」，然後規定愈相近的個體，被分類到各類別的機率分佈要愈接近。這個作法容許Skirpan等人所提倡的不同脈絡下的公平定義，不同專業領域的公平條件可能不一樣。實作上，則可以看成是增加一個訓練時的fairness constraint條件。這個作法可以用linear programming加入優化演算法中。
Equal opportunity：Hardt et al（2016）[4]提出的想法，想法是保障機會均等，也就是「可以入選的人，不論身在A或非A之中，入選的機率都一樣」。這個作法只能保障對於「可以入選」的那部份人是公平的，所以適用於僱用、信用評分（入選的人才核發貸款）這些應用。實作上，Woodworth et al（2017）[5]認為Hardt等人原始論文的作法效用不好，再提出一個效用比較好的作法。Hardt等人的作法不需要重新訓練model，只需要事後修正；Woodworth等人的作法要修改訓練程序。
Avoid disparate mistreatment：Zafar et al（2017）[6]的想法，目標是讓不同群體的人被誤判的機會相近，所以訓練資料比較少，誤判機會相對高的群體就不會受到差別待遇。這個想法跟equal opportunity非常接近。

Google Research有個視覺化網站可以說明fairness through unawareness（即「group unaware」）、demographic parity與equal opportunity這些作法的差異。

參考文獻

M. Skirpan and M. Gorelick, “The Authority of ‘Fair’ in Machine Learning,” arXiv:1706.09976 [cs], Jun. 2017.
S. Bird, S. Barocas, K. Crawford, F. Diaz, and H. Wallach, “Exploring or Exploiting? Social and Ethical Implications of Autonomous Experimentation in AI,” Oct. 2016.
C. Dwork, M. Hardt, T. Pitassi, O. Reingold, and R. Zemel, “Fairness Through Awareness,” in Proceedings of the 3rd Innovations in Theoretical Computer Science Conference, New York, NY, USA, 2012, pp. 214–226.
M. Hardt, E. Price, and N. and Srebro, “Equality of Opportunity in Supervised Learning,” in Advances in Neural Information Processing Systems 29, D. D. Lee, M. Sugiyama, U. V. Luxburg, I. Guyon, and R. Garnett, Eds. Barcelona, Spain: Curran Associates, Inc., 2016, pp. 3315–3323.
B. Woodworth, S. Gunasekar, M. I. Ohannessian, and N. Srebro, “Learning Non-Discriminatory Predictors,” arXiv:1702.06081 [cs], Feb. 2017.
M. B. Zafar, I. Valera, M. Gomez Rodriguez, and K. P. Gummadi, “Fairness Beyond Disparate Treatment & Disparate Impact: Learning Classification without Disparate Mistreatment,” 2017, pp. 1171–1180.

本文由Pomin Wu授權轉載自部落格Trustable AI — 機器學習公不公平?。

《數位時代》長期徵稿，針對時事科技議題，需要您的獨特觀點，歡迎各類專業人士來稿一起交流。投稿請寄edit@bnext.com.tw，文長至少800字，請附上個人100字內簡介，文章若採用將經編輯潤飾，如需改標會與您討論。

（觀點文章呈現多元意見，不代表《數位時代》的立場。）

集結百年洗地技術與智慧科技，四大特點樹立清潔標竿

事實上，市場不乏新創科技公司推出清潔機器人，但凱馳業務總監李敍均指出，大多新創公司擅長科技部分，但對於「如何把地洗乾淨」的清潔本質缺乏經驗。德國凱馳成立近百年來，早已是這方面的專家，歷經總部反覆打磨，KIRA BR 50結合凱馳的專業工藝與前沿科技，以四大特點樹立智慧清潔標竿。

首先是「高效清潔」，相較一般清潔機器人使用盤刷，容易讓污垢在地面旋轉滯留，KIRA BR 50採用獨家滾刷技術，一次完成預掃、收集垃圾、洗地與擦乾，搭配側刷貼近牆角，完成零死角邊緣清潔。每分鐘超過1300轉的高轉速刷頭，加上業界最高刷壓，大幅提升清潔效果，最高每小時可自主清潔高達2365平方公尺，相當於5.6座籃球場，一小時即可完成約兩次台北車站大廳的清潔作業，非常適合面積廣大的車站、機場、物流中心等大型場域使用。

第二是「極致安全」，隨著智慧設備進入高科技產業與政府機關等敏感場域，企業對設備安全與隱私防護的要求也日益提高，KIRA BR 50配備「3D點陣式影像偵測技術」，當機器人在環境感知與避障時僅呈現去識別化的點陣雲，不記錄或上傳實體影像，從源頭杜絕案場影像與隱私資訊被記錄或外洩的疑慮。此外資料傳輸裝置均支援AES-256位元高規格加密，並通過IEC與Syss等多項國際認證的自主導航、電氣安全與防駭客入侵設計，領先競品，建立清潔機器人極致安全的新標準。

第三是「解放人力」，大面積且重複的洗地工作交給機器人後，第一線員工便能投入更多需要專業服務的細緻清潔工作；同時搭配四合一自動工作基站，能自動高速充電、補充清水、排放汙水、清洗水箱，讓清潔人員更加省事。

第四是「友善操作」，考量許多清潔人員為中高齡族群，機身特別以簡單顏色和圖形化介面標示清潔人員可獨立操作的簡易按鈕，直覺易懂。針對開放式大面積，僅需人工操作一次，機器人便可在短時間內自主完成地圖掃描與路徑規劃，並具備智慧記憶功能，能自動回補因臨時障礙物而漏洗的區域，無須專業工程師提前設定地圖與電子圍籬，大幅降低使用門檻。

第一線清潔龍頭實測驗證，人機協作打造清潔新紀元

這套智慧清潔方案在正式推向市場前，也已在台灣機場等第一線大型場域實地驗證，與凱馳合作長達10多年的台灣清潔產業龍頭——信實集團，正是這場科技變革的最佳見證者。

信實集團承攬機場、車站等眾多大型公共標案，對設備品質與安全極為挑剔，信實集團副總經理趙雪吟坦言，「服務業缺工已經是全面性挑戰，第一線清潔產業長期面臨人力招募困境，引進自動化設備是不可逆趨勢。」

早在一、兩年前他親赴德國凱馳，看到KIRA BR 50後，便非常期待正式在台上市的一天。此次信實率先參與驗證，對KIRA BR 50展現出的穩定度與清潔效率印象深刻，不僅能高效自主洗地，完成後還會返回工作站維護充電，讓有限人力集中於精細工作上。

趙雪吟也特別強調，公家機關與大型企業標案對設備的製造品質、電氣安全與資安防護有嚴格標準，凱馳耗費數年進行嚴謹測試與多項國際認證，正是信實能放心將機器人引入重要案場的關鍵，期望未來導入至更多大型公共場域。

隨著KIRA BR 50正式登台，凱馳不僅為缺工時代提供最佳解方，也展現作為全球清潔設備領導品牌的前瞻視野，敏銳洞察清潔產業缺工、高齡化的必然趨勢，從第一線人員與企業實際需求出發，提前佈局研發對應智慧產品。未來凱馳將持續以領航者之姿，引進多元的專業清潔機型，讓「人機協作」不再只是前瞻概念，而是兼顧品質、安全與人本價值的最佳幫手，全力助攻台灣清潔產業邁向更高效、智慧、也更有溫度的全新紀元。