人工智能的興起已經警告人們有偏見，欺騙性和惡意的應用程序。

微軟公司高級機器學習科學家兼云倡導者弗朗西斯卡·拉澤里(Francesca Lazzeri)(如圖)表示，但是有一種方法可以避免偏見并確保負責任的AI 。

“在我們的團隊中，我們有一個稱為“可解釋性工具包”的工具包，它實際上是一種開放機器學習模型并了解不同變量，不同數(shù)據(jù)點之間的不同關系的方式，” Lazzeri說。“這是一種簡單的方法，您可以了解為什么您的模型可以給您特定的結果。”

除了在Microsoft工作之外，Lazzeri還是博士的導師。和麻省理工學院的博士后學生。

在佛羅里達州奧蘭多市舉行的Microsoft Ignite活動期間，她與SiliconANGLE Media的移動直播工作室CUBE的聯(lián)合主持人Stu Miniman 和Rebecca Knight進行了交談。他們討論了通往負責任的AI的道路以及Microsoft最近在機器學習中發(fā)布的版本(請在此處查看完整的訪談記錄)。

問題始于數(shù)據(jù)

Lazzeri說，在AI應用程序中發(fā)現(xiàn)的大多數(shù)偏差問題都始于數(shù)據(jù)。她說：“您必須確保數(shù)據(jù)足以代表您的AI應用程序所針對的總體。” “大多數(shù)時候，客戶只是使用自己的數(shù)據(jù)。查看外部數(shù)據(jù)類型也很有幫助。”

避免問題的另一種方法是與業(yè)務和數(shù)據(jù)專家一起檢查模型。“有時候我們有數(shù)據(jù)科學家在孤島上工作;他們并沒有真正傳達自己在做什么，” Lazzeri指出。“您必須始終確保數(shù)據(jù)科學家，機器學習科學家與數(shù)據(jù)專家，業(yè)務專家以及每個人都在密切合作……以確保我們了解我們在做什么。”

對于剛開始機器學習之旅的公司，第一步是確定必須回答的業(yè)務問題，Lazzeri解釋說：“一旦想到了這個問題，第二步就是了解他們是否擁有正確的數(shù)據(jù)支持該過程所需的內容。”

之后，重要的是能夠將業(yè)務問題轉換為機器學習問題。“而且，最后，您始終必須確保能夠部署此機器學習模型，以便為部署以及我們所謂的操作部分做好準備，” Lazzeri說。“這確實是您要在機器學習解決方案中增加業(yè)務價值的時刻。”