XiaoMi-AI文件搜索系统
World File Search SystemFAIR
公平的人工智能
减轻对亚群体的歧视。1 人们可能倾向于认为，只需从决策支持系统中省略敏感属性也能解决公平问题。然而，这是一个常见的误解：一些非敏感属性充当了代理（例如，工资是性别的代理，邮政编码是民族的代理，家庭结构是种族或宗教的代理），因此，即使不了解敏感属性的决策支持系统也被认为是不公平的。本文的目的是向信息系统从业者和研究人员介绍“公平的人工智能”。如上所述，信息系统内有多个领域容易出现不公平现象。事实上，信息系统维持甚至强化了人工智能中现有的不公平现象，而不是减轻它。在依赖这样的信息系统时，企业和组织面临着巨大的法律风险。在这方面，世界各地的立法机构都在实施法律，禁止在算法决策中进行差别对待（White & Case 2017）；例如，在美国，公平贷款法对风险评分中的算法偏见进行惩罚，而在欧盟，人工智能的责任由通用数据保护条例（GDPR）强制执行。因此，实现公平的人工智能对于歧视的潜在受害者和依赖人工智能进行决策支持系统的机构都至关重要。最近的报告指出，企业、组织和政府对公平人工智能的采用已经落后（AI Now Institute 2018）。正如我们稍后讨论的，这种进展缓慢的潜在原因在于信息系统的所有维度，即人（例如信任）、技术（例如设计原则、经济影响）和组织（例如治理）。在以下章节中，本文将回顾公平的理论概念，将它们与人工智能的公平性联系起来，并为信息系统研究提出建议。
公平的人工智能
信息系统 (IS) 目前正在经历根本性转变：直到最近，决策支持都是基于规则的确定性算法开发的。然而，随着人工智能 (AI) 的最新进展，这些决策规则已被概率算法（例如深度学习；参见 Kraus 等人）取代。2020 ）。概率算法通过从数据中学习现有模式进行推理，一旦部署，就会在某些不确定性下为看不见的数据提供预测。因此，它们容易产生偏见和系统性不公平，从而对个人或整个群体进行差别对待。先前的研究已多次证明人工智能应用缺乏公平性。例如，研究发现，信贷贷款申请的决策支持系统对某些社会人口群体存在不成比例的偏向 (Hardt and Price 2016; O'Neil 2016 )。
项目博览会
SkyParse：一种用于广域巡天中天体检测的深度学习方法 SkyParse 利用 TensorFlow 内置的深度学习功能，彻底改变了广域巡天中天体的检测方式。在天文数据超过分析能力的时代，SkyParse 提供了一种高效而准确的解决方案，可以以前所未有的规模识别和分类天体。传统的光谱分析虽然精确，但成本高昂且耗时，在处理现代望远镜产生的大量数据时造成瓶颈。通过应用尖端的深度学习技术，SkyParse 旨在弥补这一差距，实现快速、经济高效的分析，而无需大量光谱数据。该项目不仅加快了天文发现的速度，而且通过识别原本可能未被发现的异常和感兴趣的物体，开辟了宇宙研究的新领域。 SkyParse 为天文学领域带来了重大飞跃，为天体数据分析中最紧迫的挑战之一提供了可扩展的解决方案。7. Caoimhe McCann c20365106@mytudublin.ie
