正他们偏向男性
算法还有待观察。
们希望他们会，因为机器不仅能反映们偏见，有时还会放大它们——而且是大幅放大。2017年图像研究显示，女性出现在烹饪相关图片中可能性至少比男性高33%，但以这个数据集为基础训练算法将厨房图片与女性联系起来概率是68%。这篇论文还发现，原始偏差越大，放大效应就越强，这或许可以解释为什
该算法会将
张站在烤炉前肥胖秃顶男子照片标记为女性。因为厨房>男士脱发。
斯坦福大学生物医学科学助理教授詹姆斯·邹解释
这点重要性。他举个例子，有人在个程序上搜索“计算机程序员”，该程序受过数据集训练，而数据集里这个词与男性关联度高于女性。[44]该算法便可能认为男性程序员开发网站比女性程序员更重要——“即使这两个网站完全样，除开发者名字和性别代词”。因此，个偏向男性算法如果以有性别数据缺口语料库为基础进行训练，真能让女性失业。
但网络搜索还只是触及算法如何指导决策表面。据《卫报》报道，全美国72%简历从未经过真人阅读，[45]而机器人已经参与到面试过程中，它们算法依据“表现优异员工”姿势、面部表情和声调进行过训练。[46]听起来好像很厉害——直到你开始考虑潜在数据缺口：程序员能否确保这些表现优异员工具有性别和族裔多样性？如果不能，算法能否考虑到这点？该算法是否经过训练，能够考虑到声调和面部表情社会化性别差异？们并不知道答案，因为开发这些产品公司并不分享他们算法——但让们面对现实吧，根据现有证据，这似乎不太可能。
人工智能系统也已被引入医疗领域，用以指导诊断——尽管这最终可能成为医疗保健福音，但它目前给人感觉是有点傲慢。[47]在将人工智能引入诊断学同时，人们似乎很少或根本没有意识到，有大量证据证明，在涉及女性医疗数据方面长期存在着数据缺口。[48]这可能是场灾难。事实上，很可能是致命——尤其是们已经解到机器学习会放大既存偏见。由于们医学知识严重偏向男性身体，人工智能可能对女性做出更糟糕而不是更好诊断。
而且目前几乎没有人意识到这里正在酝酿个大问题。2016年谷歌新闻研究报告作者指出，在有关单词联想软件“数百篇论文”中，没有篇承认这些数据集构成“公然性别歧视”。图像标签论文作者则指出，他们“最先证明结构化预测模型放
请关闭浏览器阅读模式后查看本章节，否则可能部分章节内容会丢失。
