September 2025
Intermediate to advanced
476 pages
7h 51m
Japanese
機械学習システムにおけるバイアスの有害な影響を管理するには、データやコード、モデルだけでなく、さらに多くの要素を考慮する必要がある。モデルの平均的な性能品質、すなわち、データサイエンティストがモデルの良し悪しを判断する際に用いる主要な指標は、実世界においてバイアスによる被害が生じるかどうかとは、ほとんど関係がない。たとえ完璧に正確なモデルであっても、バイアスによって実害を引き起こす可能性がある。さらに悪いことに、すべての機械学習システムは何らかのバイアスを内包しており、バイアスに起因するインシデントは、AI関連インシデントの中でも最も頻繁に発生している(図4-1を参照)。ビジネス・プロセスにおけるバイアスは、しばしば法的責任を伴い、MLモデルのバイアスは実世界において人々に直接的な被害をもたらす。
図4-1 1988年から2021年2月1日までに公表された169件のインシデントの質的分析に基づく、異なる種類のAIインシデントの頻度(図はBNH.AI提供)
本章では、少なくとも現場の技術者としての我々の能力の範囲内において、社会技術的な方法を通じてバイアスを検出し、緩和するためのアプローチを提案する。すなわち、MLシステムにおけるバイアスが、より広範な社会的文脈の中でどのように現れるのかを理解しようとするものである。なぜなら、すべてのMLシステムは社会技術的な存在であるからだ。最初は信じがたいかもしれないが、以下のような例を考えると理解しやすいだろう。IoTアプリケーション ...
Read now
Unlock full access