book

AIの心理学 ―アルゴリズミックバイアスとの闘い方を通して学ぶビジネスパーソンとエンジニアのための機械学習入門

by Tobias Baer, 武舎広幸, 武舎るみ

October 2021

Beginner to intermediate

344 pages

3h 53m

Japanese

O'Reilly Japan, Inc.

Read now

Unlock full access

　　2.1　バイアスの働き　　2.2　バイアスの分類　　2.3　アクション志向バイアス　　2.4　安定性バイアス　　2.5　パターン認識にまつわるバイアス　　2.6　インタレストバイアス　　2.7　ソーシャルバイアス　　2.8　個々の意思決定 vs. 全体像　　2.9　まとめ
　　3.1　アルゴリズムの簡単な例　　3.2　アルゴリズムが教えてくれること　　3.3　まとめ
　　4.1　モデル開発の概要　　4.2　ステップ1　モデルのデザイン　　4.3　ステップ2　データエンジニアリング　　4.4　ステップ3　モデル推定　　4.5　ステップ4　モデルの検証　　4.6　ステップ5　モデルの実装　　4.7　まとめ

　　5.1　機械学習の目的　　5.2　機械学習とは？　　5.3　他のモデリング手法との比較　　5.4　まとめ
　　6.1　確証バイアスの架空の事例　　6.2　戦うべきはアルゴリズムではない　　6.3　まとめ
　　7.1　データサイエンティストの確証バイアスの影響　　7.2　データサイエンティストの自我消耗の影響　　7.3　データサイエンティストの自信過剰がバイアスに与える影響　　7.4　まとめ
　　8.1　データがもたらすバイアスの概要　　8.2　A-1　主観的・定性的なデータがもたらすバイアス　　8.3　A-2　表面上は定量的に見えるデータがもたらすバイアス　　8.4　B-1　人間自身のバイアスを反映しているデータがもたらすバイアス　　8.5　B-2　衝撃的な出来事に大きな影響を受けたデータがもたらすバイアス　　8.6　C-1　コンセプト的な誤りに由来するバイアス　　8.7　C-2　データの不適切な処理がもたらすバイアス　　8.8　まとめ
　　9.1　モデルに内在する不安定性　　9.2　データに存在しない事例への対処　　9.3　反応速度（レスポンス）の重要性　　9.4　アウトカムの判定の際に働く安定性バイアス　　9.5　まとめ
　　10.1　アルゴリズムのエラー　　10.2　サンプルサイズとケースフリークエンシーの役割　　10.3　決定木による予測　　10.4　倫理的な視点から　　10.5　まとめ
　　11.1　ソーシャルメディアにおけるアルゴリズムの影響　　11.2　ユーザーの役割　　11.3　システム変更の必要性　　11.4　まとめ
　　12.1　アルゴリズムを利用する程度　　12.2　アルゴリズムの効果の評価法　　12.3　まとめ
　　13.1　損害の深刻度の評価　　13.2　バイアスの傾向の評価　　13.3　まとめ
　　14.1　一般ユーザーによる回避の取り組み　　14.2　身につけるべき習慣1　訊いて訊いて訊きまくる　　14.3　身につけるべき習慣2　推定値ではなく「不明」のラベルを付けさせる　　14.4　身につけるべき習慣3　意味のある数値を報告してもらう　　14.5　無知の知　　14.6　まとめ
　　15.1　アルゴリズムの監視とは　　15.2　代表的なメトリクス　　15.3　各分析の実践　　15.4　有意性と正常範囲　　15.5　根本原因解析　　15.6　ブラックボックス・アルゴリズムの監視　　15.7　自己改良型のアルゴリズムの監視　　15.8　まとめ
　　16.1　偏見との戦い　　16.2　アルゴリズムの役割の限定　　16.3　アルゴリズムの修正　　16.4　まとめ
　　17.1　データは新たな金（きん）　　17.2　公平なデータの生成　　17.3　まとめ
　　18.1　「ステップ1　モデルのデザイン」におけるバイアスの回避　　18.2　「ステップ2　データエンジニアリング」におけるバイアスの回避　　18.3　「ステップ3　モデル推定」におけるバイアスの回避　　18.4　「ステップ4　モデルの検証」におけるバイアスの回避　　18.5　「ステップ5　モデルの実装」におけるバイアスの回避　　18.6　まとめ
　　19.1　第1の検査——サンプルレベルの分析　　19.2　第2の検査——データリーケージ　　19.3　第3の検査——データの構造を把握するための2つの分析法　　19.4　第4の検査——異常検知のための2つの分析法　　19.5　第5の検査——保護対象の変数を使った相関分析　　19.6　第6の検査——視覚による分析　　19.7　まとめ
　　20.1　ナイロンと木綿　　20.2　機械学習はナイロンと同じ運命をたどる？　　20.3　職人ワザか機械学習か　　20.4　まとめ
　　21.1　特徴量レベルの機械学習　　21.2　機械学習を活用したセグメンテーション　　21.3　シフト効果を利用する手法　　21.4　担当者のセカンドオピニオンを引き出す手法　　21.5　まとめ
　　22.1　モデル開発時の留意点　　22.2　非常ブレーキ　　22.3　モデルの監視　　22.4　リアルタイムの機械学習　　22.5　まとめ
　　23.1　ポイント1　データのフローとウェアハウジング　　23.2　ポイント2　標準とテンプレート　　23.3　ポイント3　中庸の重要性　　23.4　ポイント4　キャリブレーション　　23.5　ポイント5　モデルの検証　　23.6　ポイント6　モデルの監視　　23.7　ポイント7　バイアスのない公平公正なデータの継続的な生成　　23.8　まとめ

Content preview from AIの心理学 ―アルゴリズミックバイアスとの闘い方を通して学ぶビジネスパーソンとエンジニアのための機械学習入門

16章管理者の介入によってバイアスを抑止する方法

この章では、アルゴリズムに深く根差したバイアスに対処するための経営戦略について検討します。

16.1　偏見との戦い

ある国のある銀行から与信審査モデルの開発を依頼された時のことです。この銀行の最高リスク管理責任者（チーフリスクオフィサー）に、与信審査で判断材料にしている重要リスク要因について尋ねた際の衝撃は今でも忘れられません。開口一番、同性愛者は言うまでもなくリスクが大きい（したがって与信対象としては避けるべきだ）と断定されたのです。

私の頭の中では、「なんてひどい偏見だ」と思う理由をひとつ残らずあげて、見るからに知的で教養のあるこの女性に反論するべきだろう、という怒りの声が響きわたる一方、出発前にこの国について読んだこと——中でも、この国では同性愛者がヘイトクライムの犠牲になるリスクが高く、高齢期まで生き延びられる者がとても少ないこと——が浮かんできたので、すっかり考え込んでしまいました。とはいえ、これがいかに嘆かわしい慣行であっても、「いつ何時殺されるかわからないような相手には融資しない」というのはたしかに賢明な策で、それを講じないのは職務怠慢だろう、と私も認めざるを得ませんでした。

結局その銀行には顧客の性的指向に関するデータがないことが判明し、私たちがこの銀行のために開発したアルゴリズムに「性的指向」という属性が使われることはありませんでしたが、あれは「実社会に存在する悲惨なバイアスが反映されたアルゴリズムにどう対処するべきか」が、私個人に関わる現実の問題として痛感された瞬間ではありました。これは、一歩下がって「アルゴリズムは神でも支配者（ボス）でもなく道具（ツール）にすぎない。アルゴリズムのユーザーである私たちは、アルゴリズムを使うか使わないかを決め、使うなら、どう使うのかを決める自由を有する」という事実に思いをめぐらす好機です。 ...