详细内容或原文请订阅后点击阅览
揭露人工智能中的偏见：挑战和解决方案
生成式人工智能的最新进展伴随着各行各业企业应用的蓬勃发展，包括金融、医疗保健、交通运输。这项技术的发展还将带来其他新兴技术，如网络安全防御技术、量子计算进步和突破性的无线通信技术。然而，下一代技术的爆炸式增长也伴随着 […]The post The Dismasking Bias in Artificial Intelligence: Challenges and Solutions appeared first on Unite.AI.
来源:Unite.AI生成式 AI 的最新进展带来了金融、医疗保健、交通等行业的企业应用的蓬勃发展。这项技术的发展还将带来其他新兴技术，如网络安全防御技术、量子计算进步和突破性无线通信技术。然而，下一代技术的爆炸式增长也带来了一系列挑战。
生成式 AI例如，由于计算能力的提高以及 AI 模型呈现的偏见的道德问题，采用 AI 可能会导致更复杂的网络攻击、内存和存储瓶颈。好消息是，NTT Research 提出了一种克服深度神经网络 (DNN)（一种人工智能）中偏见的方法。
这项研究是一项重大突破，因为无偏见的 AI 模型将在不受种族、性别等特征影响的情况下，为招聘、刑事司法系统和医疗保健做出贡献。未来，通过使用这类自动化系统，有可能消除歧视，从而改善整个行业的 DE&I 业务计划。最后，具有无偏结果的 AI 模型将提高生产力并减少完成这些任务所需的时间。然而，很少有企业因为该技术存在偏向性的解决方案而被迫停止其 AI 生成的程序。
亚马逊 时代 麻省理工学院的研究NTT 研究高级科学家兼哈佛大学脑科学中心助理 Hidenori Tanaka 和其他三位科学家提出了一种新算法来克服简单微调的局限性，即减少 DNN 错误或“损失”的现状方法，该算法可以减少模型对容易产生偏差的属性的依赖。