สตาร์ทอัพ Unbiased มุ่งเพิ่มความโปร่งใสในข้อมูลผ่านบล็อกเชน ต่อสู้กับความลำเอียงของข้อมูล

ผลกระทบของความลำเอียงของข้อมูลในอัลกอริทึมปัญญาประดิษฐ์เป็นที่ทราบกันดี และเมื่ออัลกอริทึมปัญญาประดิษฐ์และการเรียนรู้ของเครื่องเข้าไปสู่ทุกมุมของสังคม บริษัทที่พัฒนาเทคโนโลยีปัญญาประดิษฐ์กำลังมองหาวิธีการใหม่ๆ เพื่อให้แน่ใจว่าอัลกอริทึมที่พวกเขาพัฒนาขึ้นไม่ได้รับผลกระทบจากความลำเอียงของมนุษย์ หนึ่งในผู้เล่นใหม่ในพื้นที่ปัญญาประดิษฐ์และการเรียนรู้ของเครื่อง ที่มุ่งลดความลำเอียงของข้อมูล คือ สตาร์ทอัพ Unbiased ที่มีชื่อเป็นความโปร่งใส Unbiased ได้เปิดตัวตลาดข้อมูลใหม่ บนแพลตฟอร์มบล็อกเชนที่มีประสิทธิภาพ Telos โดยมีเป้าหมายที่จะให้ลูกค้ามีเครื่องมือและแอปพลิเคชันที่มีความเป็นส่วนตัวและโปร่งใสสำหรับวิทยาศาสตร์ข้อมูลและปัญญาประดิษฐ์

ตลาดปัญญาประดิษฐ์ทั่วโลกคาดว่าจะเติบโตอย่างรวดเร็วในช่วงสิบปีข้างหน้า โดยคาดว่าจะมีมูลค่าประมาณ 266 พันล้านดอลลาร์สหรัฐฯ ในปี 2560 ในช่วงสี่ปีข้างหน้า ค่าใช้จ่ายทั่วโลกในการใช้ระบบและองค์ประกอบที่เกี่ยวข้องกับปัญญาประดิษฐ์คาดว่าจะเพิ่มขึ้นสองเท่า โดยคาดว่าจะมีมูลค่าประมาณ 110 พันล้านดอลลาร์สหรัฐฯ ในปี 2567 ตามรายงานของ IDC การนำอัลกอริทึมปัญญาประดิษฐ์ไปใช้ในอุตสาหกรรมต่างๆ มากขึ้นเรื่อยๆ ทำให้เกิดความกังวลเกี่ยวกับความโปร่งใส ความเป็นส่วนตัว ความยุติธรรม และการแสดงผลของระบบปัญญาประดิษฐ์

การลดความลำเอียงผ่านความโปร่งใส

ตามรายงานล่าสุดของ CapGemini Research Institute ที่มีชื่อว่า “AI และปัญหาด้านจริยธรรม: วิธีการที่องค์กรสามารถสร้างระบบปัญญาประดิษฐ์ที่มีจริยธรรมและได้รับความไว้วางใจ” การใช้ปัญญาประดิษฐ์อย่างมีจริยธรรมได้กลายเป็นปัญหาสำคัญสำหรับผู้นำด้านไอทีทั่วโลก โดยผู้นำด้านไอทีส่วนใหญ่แสดงความกังวลเกี่ยวกับการใช้ระบบปัญญาประดิษฐ์อย่างไม่เหมาะสม ประมาณ 9 ใน 10 องค์กรไอทีรู้ตัวว่ามีเหตุการณ์ที่เกิดปัญหาเกี่ยวกับจริยธรรมจากการใช้ระบบปัญญาประดิษฐ์ ประมาณสองในสามของผู้บริหารด้านไอทีระบุว่ารู้ตัวว่ามีความลำเอียงที่อาจเกิดขึ้นในระบบปัญญาประดิษฐ์ และประมาณครึ่งหนึ่งขององค์กรไอทีมีหัวข้อจริยธรรมที่มุ่งเน้นในการพัฒนาปัญญาประดิษฐ์ ไม่ใช่แค่เพียง 5% ขององค์กรไอทีในปี 2562

ในขณะที่การวิจัยเกี่ยวกับวิธีการทำให้อัลกอริทึมปัญญาประดิษฐ์มีความยุติธรรมยิ่งขึ้นยังคงดำเนินอยู่ นักจริยธรรมและผู้เชี่ยวชาญด้านปัญญาประดิษฐ์หลายคนให้ความสำคัญกับข้อมูลที่ใช้ในการฝึกอบรมปัญญาประดิษฐ์ เมื่ออัลกอริทึมปัญญาประดิษฐ์กลายเป็นมาตรฐานและแพร่หลายมากขึ้น การมุ่งเน้นก็เปลี่ยนไปสู่การหาข้อมูลที่จำเป็นในการฝึกอบรมแบบจำลอง

มีหลายวิธีในการลดความลำเอียงของข้อมูลในอัลกอริทึมปัญญาประดิษฐ์ เทคนิคบางอย่างเกี่ยวข้องกับการปรับเปลี่ยนแบบจำลองหรือข้อมูลการฝึกอบรมในขณะที่แบบจำลองกำลังฝึกอบรม เทคนิคเหล่านี้เป็นเทคนิคการแก้ไขความลำเอียง “ระหว่างการประมวลผล” รวมถึงการใช้เทคนิคการฝึกอบรมที่เป็นปฏิปักษ์ ซึ่งควบคุมคุณลักษณะที่ไวต่อความแตกต่าง (เช่น เพศหรือเชื้อชาติ) โดยการลงโทษความสามารถของแบบจำลองในการทำนายโดยใช้คุณลักษณะนั้น ในทางกลับกัน การมุ่งเน้นไปที่การกำจัดความลำเอียงจากชุดข้อมูลเป็นเทคนิคการแก้ไขความลำเอียง “ก่อนการประมวลผล” ข้อมูลการฝึกอบรมสำหรับแบบจำลองการเรียนรู้ของเครื่องมักถูกทำเครื่องหมายด้วยมือ และการใช้บล็อกเชนสามารถช่วยให้บริษัทต่างๆ ติดตามกระบวนการทำเครื่องหมายข้อมูลของตนเพื่อให้แน่ใจว่าชุดข้อมูลของตนเป็นตัวแทน

Unbiased มุ่งหวังที่จะใช้บล็อกเชนเพื่อสร้างวัฒนธรรมของความโปร่งใสภายในชุดข้อมูลและตลาดข้อมูล เครื่องมือส่วนใหญ่ที่ใช้ในการสร้างชุดข้อมูลสำหรับระบบปัญญาประดิษฐ์และอัลกอริทึมการเรียนรู้ของเครื่องเป็นแบบกระจายศูนย์ และเนื่องจากสาเหตุนี้ จึงมักขาดความโปร่งใส Unbiased มุ่งหวังที่จะใช้ลักษณะของบล็อกเชนเพื่อบันทึกการกระทำที่เกิดขึ้นทั่วตลาดข้อมูล ซึ่งรวมถึงการแลกเปลี่ยนข้อมูล การกำหนดงานและโครงการ และการมีส่วนร่วมของพนักงาน เป้าหมายคือธรรมชาติแบบกระจายศูนย์ของบล็อกเชน Telos ช่วยให้ผู้ใช้สามารถรับข้อมูลสำคัญเกี่ยวกับธรรมชาติของวิทยาศาสตร์ข้อมูลได้ ผู้ใช้จะสามารถตรวจสอบชุดข้อมูลของตนและกำหนดได้ว่าการทำเครื่องหมายถูกทำด้วยหลักการทางจริยธรรม เช่น ความยุติธรรมและความเป็นส่วนตัว

ตามที่ Chief Architect of Telos Blockchain ระบุ การตัดกันระหว่างปัญญาประดิษฐ์/การเรียนรู้ของเครื่องกับบล็อกเชนสามารถนำไปสู่วิธีการใหม่ๆ ที่เปลี่ยนแปลงไปในการทำงานกับข้อมูล ตามที่ Horn กล่าวถึงใน AIthority:

“Unbiased จะแสดงให้เห็นว่าการติดตามข้อมูลบนบล็อกเชนที่มีประสิทธิภาพและไม่มีค่าธรรมเนียม เช่น Telos สามารถเพิ่มความโปร่งใส ความไม่เปลี่ยนแปลง การชำระเงินแบบไมโคร และการกำกับดูแลให้กับผลิตภัณฑ์สำหรับทุกฝ่ายที่เกี่ยวข้อง”

นอกเหนือจากความโปร่งใสของข้อมูลการฝึกอบรม นักวิทยาศาสตร์และนักวิจัยบางคนได้ ผลักดันให้มีความโปร่งใสมากขึ้นในอัลกอริทึม แบบจำลอง และโค้ด ทีมนักวิจัยระหว่างประเทศได้เรียกร้องให้สมาคมวิทยาศาสตร์กำหนดมาตรฐานความโปร่งใสที่สูงกว่าสำหรับนักวิจัยด้านวิทยาการคอมพิวเตอร์ นักวิจัยโต้แย้งว่าความโปร่งใสที่เพิ่มขึ้นเกี่ยวกับแบบจำลองและโค้ดปัญญาประดิษฐ์จะช่วยให้การทำซ้ำของการศึกษามีความสำเร็จมากขึ้น และช่วยให้ความร่วมมือระหว่างกลุ่มวิจัยได้ดีขึ้น การศึกษาทางวิทยาศาสตร์หลายๆ เรื่องไม่สามารถทำซ้ำได้ และเป็นปัญหาที่ใหญ่กว่าสำหรับการศึกษาที่เน้นปัญญาประดิษฐ์ที่ละเว้นวัสดุสำคัญ ในอนาคต บล็อกเชนสามารถใช้เพื่อปรับปรุงการติดตามและประเมินผลการวิจัยในสาขาปัญญาประดิษฐ์ได้