Hvilke skævheder er til stede i AI-billedgeneratorer?
AI-billedgeneratorer inkorporerer adskillige skævheder i deres producerede billeder. De hæfter sig ved mønstre, de genkender og replikerer dem, selvom disse mønstre involverer stereotyper eller andre former for fordomme. For eksempel kan en generator, der er trænet på datasæt, der ofte portrætterer kvinder i hjemmet, lære at producere billeder, der forbinder kvinder primært med husarbejde. Disse skævheder er en afspejling af de data, de er blevet trænet i, og de algoritmer, der bruges til at fortolke disse data.
Hvorfor er det vigtigt at forstå AI Bias?
Som AI-udvikler, forsker, dataforsker eller teknisk journalist er det afgørende at forstå disse skævheder af flere årsager. Det kan føre til forbedring af nuværende systemer, da du arbejder på at sikre, at din AI’s træningsdata er forskelligartede og repræsentative. Uden en forståelse af disse skævheder er det umuligt at korrigere for dem. Bortset fra denne praktiske anvendelse kan en bedre forståelse af denne teknologi tjene til at fremme etisk AI-udvikling. For dem, der skriver om teknologi, kan denne viden desuden føre til produktion af mere informerede artikler.
Kan casestudier illustrere AI Bias?
Et bemærkelsesværdigt casestudie, der viser denne skævhed – og vigtigheden af at forstå det – er ImageNet. Selvom det var meget vigtigt for udviklingen af maskinlæring, kom det fyldt med skævheder. Efter gennemgang fandt forskere sexistiske og racistiske etiketter i billedannotationerne. Ved at afdække disse bias-problemer gjorde forskerne fremskridt med at rette op på dem.
Er der læringsressourcer til AI Bias?
For at hjælpe dig med at udforske bias i AI-billedgeneratorer mere dybt, er adskillige onlineværktøjer og ressourcer tilgængelige.
AI-programmeringsværktøjer: OpenAI tilbyder en række kraftfulde AI-værktøjer på en række prismodeller. De tilbyder API’er, der giver dig detaljeret kontrol over din AI, så du kan undersøge, hvordan den behandler input for at producere output og potentielt identificere skævheder i spil. Brug af dette værktøj kræver dog en anstændig forståelse af kodning og AI.
Billedgenereringsalgoritmer: Generative Adversarial Networks (GAN’er) bruges i vid udstrækning til billedgenerering. De er tilgængelige gratis på GitHub her. Men for at udnytte deres potentiale fuldt ud, bliver du nødt til at forstå komplekset matematik bag dem, hvilket kan være en ulempe for nogle.
Ekspertfora eller fællesskaber: Fora som AI Stack Exchange tilbyder værdifuld indsigt i AI og skævheder uden omkostninger. Men husk, diskussioner på disse platforme kan lejlighedsvis føre til misinformation på grund af manglende ekspertise eller troværdighedstjek.
Endelig kan adskillige forudindtaget AI-centrerede artikler og blogs nemt tilgås med en hurtig Google-søgning.
Hvad er fremtiden for AI og Bias?
Ser vi 10 år frem, kan vi forvente betydelige fremskridt inden for kunstig intelligens – og forhåbentlig fremskridt i vores håndtering af skævhederne inden for det.
Som rigtigt sagt af Ruchir Puri, Chief Scientist ved IBM Research, “Vi har brug for AI-systemer, der begynder fra et neutralt synspunkt.” Teknologer vil fortsætte arbejdet med at forbedre mangfoldigheden og nøjagtigheden af træningsdata og algoritmer, der bruges i AI, hvilket potentielt vil reducere de nuværende skævheder.
Med fremkomsten af AI-regler og etik vil værktøjer til at identificere og adressere bias desuden fortsætte med at innovere og udvikle sig. Større offentlig bevidsthed og politisk pres kan også få teknologivirksomheder til at granske deres AI nærmere, hvilket reducerer omfanget af bias betydeligt.
Selvom rejsen til upartisk AI er lang, bevæger vi os et skridt tættere på dette mål ved at forstå og adressere bias i AI-billedgeneratorer.
