AI: Training Data & Bias

کیفیت یادگیری ماشینی بستگی به داده‌های آموزشی‌ای دارد که در اختیار آن می‌گذارید.

بنابراین استفاده از داده‌ها با کیفیت بالا و با حجم زیاد، اهمیت زیادی دارد.

ولی اگر داده‌ها مهم هستند، جا داره بپرسیم این داده‌های آموزشی از کجا می‌آیند؟

کامپیوترها اغلب داده‌های آموزشی را از افرادی مثل من و شما جمع آوری می‌کنند،

آن هم بدون هیچ تلاشی از سوی ما.

یک سرویس پخش ویدیو ممکن است چیزی که تماشا می‌کنید را پیگیری کند،بعد می‌تواند الگوهای موجود در آن داده‌ها را تشخیص دهد تا

شاید چیزی که می‌خواهید بعداً تماشا کنید را به شما پیشنهاد کند.

در مواقع دیگر، مستقیماً از خودتان درخواست کمک می‌کند، مثل وقتی که یک وب‌سایت از شما می‌خواهد تابلوهای خیابان و تصاویر را ببینید،

دارید داده‌های آموزشی‌ای را در اختیار آن می‌گذارید که به یک ماشین کمک می‌کند دیدن را یاد بگیرد و شاید حتی یک روز رانندگی کند.

محققان پزشکی می‌توانند از تصاویر پزشکی به عنوان داده‌های آموزشی استفاده کنند

تا به کامپیوترها نحوه شناسایی و تشخیص بیماری‌ها را آموزش دهند.

یادگیری ماشینی به صدها و هزاران تصویر و راهنمایی آموزشی از سوی پزشک نیاز دارد.

پزشکی که می‌داند قبل از تشخیص درست بیماری، باید دنبال چه چیزی باشد.

حتی با وجود هزاران نمونه، باز هم ممکن است مشکلاتی در پیش‌بینی کامپیوتر وجود داشته باشد.

اگر داده‌های اشعه ایکس فقط از مردها جمع‌آوری شود، پیش‌بینی کامپیوتر ممکن است فقط برای مردها مفید باشد

و وقتی از آن خواسته شود که عکس اشعه ایکس یک زن را شناسایی کند، ممکن است نتواند بیماری او را تشخیص دهد.

این نقطه کور در داده‌های آموزشی چیزی به نام «سوگیری» ایجاد می‌کند.

داده‌های جانب‌دارانه به نفع برخی چیزها هستند و سایر موارد را در اولویت‌بندی پایین‌تری قرار داده یا حذف می‌کنند.

بسته به اینکه داده‌های آموزشی چگونه جمع آوری می‌شوند، چه کسی آن‌ها را جمع آوری می‌کند و چطور کامپیوترها از آن تغذیه می‌شوند،

این احتمال وجود دارد که سوگیری انسانی در داده‌ها دیده شود.

با یادگیری از داده‌های جانب‌دارانه، ممکن است کامپیوتر پیش‌بینی‌های مغرضانه‌ای انجام بدهد،

فارغ از اینکه افرادی که کامپیوتر را آموزش می‌دهند از آن آگاه هستند یا نه.

پس وقتی به داده‌های آموزشی نگاه می‌کنید، دو سوال از خودتان بپرسید:

آیا این داده‌ها برای آموزش دقیق یک کامپیوتر کافی هستند؟

و آیا این داده‌ها همه سناریوها و کاربران ممکن را بدون سوگیری نشان می‌دهند؟

اینجاست که شما به عنوان یک مربی انسانی، نقش تعیین‌کننده‌ای ایفا می‌کنید.

این وظیفه شماست که داده‌هایی بدون سوگیری به دستگاهتان بدهید

و این به معنی جمع‌آوری نمونه‌های بسیار از منابع مختلف است.

یادتان باشد وقتی داده‌ها را برای یادگیری ماشین انتخاب می‌کنید،

در واقع الگوریتم را برنامه‌نویسی کرده و از داده‌های آموزشی به جای کد استفاده می‌کنید.

داده، همان کد است.

هر چقدر داده‌های بهتری ارائه کنید، کامپیوتر بهتر یاد می‌گیرد.