Q:
Mengapa bias mesin menjadi masalah dalam pembelajaran mesin?
SEBUAH:Pertanyaan ini dapat dijawab dengan dua cara berbeda. Pertama, mengapa masalah bias mesin, seperti pada, mengapa ada dalam proses pembelajaran mesin?
Pembelajaran mesin, meskipun canggih dan kompleks, sampai batas tertentu didasarkan pada set data yang digunakannya. Konstruksi set data melibatkan bias bawaan. Sama seperti di media, di mana kelalaian dan pilihan inklusi yang disengaja dapat menunjukkan bias tertentu, dalam pembelajaran mesin, set data yang digunakan harus diperiksa untuk menentukan jenis bias apa yang ada.
| Unduh Gratis: Pembelajaran Mesin dan Mengapa Itu Penting |
Misalnya, ini adalah masalah umum untuk pengujian teknologi dan proses desain untuk menunjukkan preferensi untuk satu jenis pengguna di atas yang lain. Salah satu contoh besar adalah kesenjangan gender di dunia teknologi.
Mengapa ini membuat perbedaan, dan mengapa itu berlaku untuk pembelajaran mesin?
Karena kurangnya wanita yang ada di lingkungan pengujian dapat mengarah pada teknologi yang diproduksi yang kurang ramah pengguna untuk audiens wanita. Cara beberapa ahli menggambarkan hal ini adalah bahwa tanpa pengujian wanita yang ada, produk akhir mungkin tidak mengenali input pengguna wanita - itu mungkin tidak memiliki alat untuk mengenali identitas wanita atau untuk menangani input dari wanita secara memadai.
Hal yang sama berlaku untuk berbagai etnis, orang dari berbagai agama, atau jenis demografis lainnya. Tanpa data yang benar, algoritma pembelajaran mesin tidak akan bekerja dengan benar untuk set pengguna yang diberikan, sehingga data inklusi harus sengaja ditambahkan ke dalam teknologi. Alih-alih hanya mengambil set data primer dan memperkuat bias yang melekat, penangan manusia harus benar-benar melihat masalah ini.
Contoh lain adalah mesin pembelajaran mesin yang mengambil informasi pekerjaan dan gaji serta mengeluarkan hasilnya. Jika kumpulan data yang melekat itu tidak dianalisis, mesin akan memperkuat bias. Jika dirasakan bahwa laki-laki memegang sebagian besar pekerjaan eksekutif, dan proses pembelajaran mesin melibatkan penyaringan melalui set data mentah dan mengembalikan hasil yang sesuai, itu akan mengembalikan hasil yang menunjukkan bias laki-laki.
Bagian kedua dari pertanyaan melibatkan mengapa bias ini sangat berbahaya. Tanpa pengawasan dan pengujian yang memadai, teknologi baru dapat membahayakan, tidak membantu, rasa inklusi dan kesetaraan kita. Jika sebuah produk teknologi baru diluncurkan yang mengenali wajah dengan kulit yang lebih terang, tetapi bukan yang berkulit lebih gelap, hal itu dapat menyebabkan meningkatnya ketegangan etnis dan perasaan bahwa perusahaan yang dimaksud tidak peka terhadap keanekaragaman. Jika sebuah algoritma pembelajaran mesin mereproduksi dan mempertinggi bias dalam set data, maka kecerdasan buatan akan menambah suaranya ke suara manusia dan kecenderungan manusia yang sudah ada dalam sistem sosial yang lebih menyukai satu kelompok orang daripada yang lain.
Cara terbaik untuk mengatasinya adalah dengan melihat dari dekat set data yang mendasarinya, menggunakan pemilihan fitur, menambahkan input variabel dan memanipulasi set data mentah sendiri, dan menambah kekuatan nyata pembelajaran mesin dengan pembuatan data manusia yang disengaja, untuk mendapatkan hasil yang memberikan kekuatan analitis yang hebat, tetapi juga beberapa wawasan manusia yang belum bisa ditiru oleh komputer.
