ترويض تمييز الذكاء الاصطناعي: الطريقة التي تتبعها أنثروبيك: إقناعه

تُذكَر إمكانات تكنولوجيا الذكاء الاصطناعي بشكل متكرر عبر وسائل الإعلام المختلفة، لكن بين الفوائد يكمن جانب مظلم حيث تتلاشى الخطوط الفاصلة بين التقدم والتحيز بشكل خطير.

يُعد تمييز الذكاء الاصطناعي قضية خبيثة تهدد بتفاقم أوجه عدم المساواة الاجتماعية القائمة، وتطرح أسئلة أخلاقية عميقة حول مستقبل التكنولوجيا.

جذور التحيز: البيانات، التصميم، والخطأ البشري؟

خوارزميات الذكاء الاصطناعي لا تكون أفضل من البيانات التي تُدرَّب عليها. لسوء الحظ، فإن الكثير من البيانات المستخدمة في تطوير الذكاء الاصطناعي مليئة بالتحيزات، مما يعكس التحيزات الكامنة المتجذرة في المجتمع البشري. يمكن أن تكون هذه التحيزات مبنية على العرق، أو الجنس، أو العمر، أو الدين، أو الوضع الاجتماعي والاقتصادي، وعوامل أخرى. 

عندما تُغذَّى البيانات المتحيزة إلى خوارزمية، تكون النتيجة نظام ذكاء اصطناعي يكرس ويضخم تلك التحيزات، مما يؤدي إلى نتائج تمييزية.

يمكن أن يؤدي تصميم النماذج نفسها إلى إدخال التحيز. على سبيل المثال، ثبت أن برامج التعرف على الوجه أقل دقة في تحديد هوية الأشخاص من ذوي البشرة الملونة. وبالمثل، يمكن للخوارزميات المستخدمة في الموافقة على القروض أو طلبات التوظيف أن تضعف بشكل غير مقصود مجموعات معينة بناءً على معايير متحيزة.

الخطأ البشري أيضًا يلعب دورًا. فإن المبرمجين، وعلماء البيانات، والأفراد الآخرين المشاركين في تطوير أنظمة الذكاء الاصطناعي ليسوا محصنين ضد تحيزاتهم الخاصة. يمكن لهذه التحيزات أن تتسلل بشكل لا واعٍ إلى تصميم الخوارزميات وتنفيذها، مما يفاقم مشكلة تمييز الذكاء الاصطناعي.

تكتيكات أنثروبيك لوقف تمييز الذكاء الاصطناعي

ومثير للاهتمام، يمكننا أيضًا تقليل الإجابات المتحيزة من الذكاء الاصطناعي من خلال فعل الإقناع.  

أجرت شركة أنثروبيك، إحدى الشركات الرائدة في مجال الذكاء الاصطناعي، مؤخرًا اختبارًا أظهر أن الناس يمكنهم إقناع نماذج الذكاء الاصطناعي بإنتاج استجابات غير متحيزة من خلال استراتيجيات التوجيه مثل إضافة عبارة "التمييز غير قانوني" إلى مطالباتهم. بشكل أساسي، يجب عليك توجيه النموذج لضمان استجابات غير متحيزة. 

بينما بدا أن هذه الاستراتيجية تقلل من التمييز في قرارات نماذج الذكاء الاصطناعي في مجالات مثل القروض والوظائف ومطالبات التأمين وغيرها، إلا أنها مجرد حل مؤقت يعالج الأعراض وليس السبب الجذري للمشكلة.

مواجهة هذا التحدي تتطلب جهداً تعاونياً بين التقنيين وصانعي السياسات والباحثين ومنظمات المجتمع المدني والأفراد. 

يمكننا الغوص بعمق في معالجة التحيزات في البيانات، وهو أمر بالغ الأهمية. يتطلب ذلك تنويع مجموعات البيانات واستخدام تقنيات مثل خوارزميات إزالة التحيز. بالإضافة إلى ذلك، يجب تدريب المطورين والمصممين على تحديد التحيز وتخفيفه في عملهم.

تتطلب الأطر التنظيمية القوية أيضاً فرض التطوير الأخلاقي ونشر النماذج. يمكن أن يساعد وضع إرشادات واضحة لجمع البيانات وتصميم الخوارزميات واستخدام الذكاء الاصطناعي في عمليات صنع القرار الحرجة في التحكم في النتائج التمييزية لنماذج الذكاء الاصطناعي.