{"id":32781,"date":"2019-10-31T21:48:54","date_gmt":"2019-10-31T18:48:54","guid":{"rendered":"https:\/\/prohoster.info\/blog\/o-predvzyatosti-iskusstvennogo-intellekta\/"},"modified":"2019-10-31T21:48:54","modified_gmt":"2019-10-31T18:48:54","slug":"o-predvzyatosti-iskusstvennogo-intellekta","status":"publish","type":"post","link":"https:\/\/prohoster.info\/pl\/blog\/news\/o-predvzyatosti-iskusstvennogo-intellekta","title":{"rendered":"O stronniczo\u015bci sztucznej inteligencji","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p><img decoding=\"async\" alt=\"O stronniczo\u015bci sztucznej inteligencji\" src=\"\/wp-content\/uploads\/2019\/04\/05a731677e1231acceff953db8e1e26a.jpg\" style=\"display:block;margin: 0 auto;\" \/><\/p>\n<p><\/p>\n<h2 id=\"tldr\">tl;dr:<\/h2>\n<p><\/p>\n<ul>\n<li>Uczenie maszynowe szuka wzorc\u00f3w w danych. Jednak sztuczna inteligencja mo\u017ce by\u0107 \u201estronnicza\u201d \u2014 to znaczy znajdowa\u0107 b\u0142\u0119dne wzorce. Na przyk\u0142ad system wykrywania raka sk\u00f3ry z fotografii mo\u017ce szczeg\u00f3lnie zwraca\u0107 uwag\u0119 na zdj\u0119cia wykonane w gabinecie lekarskim. Uczenie maszynowe nie umie <em>rozumie\u0107<\/em>: jego algorytmy jedynie ujawniaj\u0105 wzorce w liczbach, a je\u015bli dane nie s\u0105 reprezentatywne, taki b\u0119dzie r\u00f3wnie\u017c wynik ich przetwarzania. Wykrywanie takich b\u0142\u0119d\u00f3w mo\u017ce by\u0107 trudne z powodu samej mechaniki uczenia maszynowego. <noindex><a rel=\"nofollow\" name=\"habracut\"><\/a><\/noindex><\/li>\n<li>Najbardziej oczywistym i niepokoj\u0105cym obszarem problemowym jest r\u00f3\u017cnorodno\u015b\u0107 ludzka. Istnieje wiele powod\u00f3w, dla kt\u00f3rych dane o ludziach mog\u0105 straci\u0107 obiektywno\u015b\u0107 ju\u017c na etapie zbierania. Ale nie nale\u017cy my\u015ble\u0107, \u017ce problem ten dotyczy tylko ludzi: takie same trudno\u015bci pojawiaj\u0105 si\u0119 przy pr\u00f3bie wykrycia zalania w magazynie czy uszkodzonej turbiny gazowej. Niekt\u00f3re systemy mog\u0105 mie\u0107 uprzedzenia wobec koloru sk\u00f3ry, inne b\u0119d\u0105 stronniczo podchodzi\u0107 do czujnik\u00f3w Siemens. <\/li>\n<li>Takie problemy nie s\u0105 nowe dla uczenia maszynowego i nie dotycz\u0105 tylko tego obszaru. B\u0142\u0119dne za\u0142o\u017cenia wyst\u0119puj\u0105 w ka\u017cdej skomplikowanej strukturze, a zrozumienie, dlaczego podj\u0119to tak\u0105, a nie inn\u0105 decyzj\u0119, zawsze jest trudne. Nale\u017cy z tym walczy\u0107 kompleksowo: tworzy\u0107 narz\u0119dzia i procesy do weryfikacji \u2014 oraz edukowa\u0107 u\u017cytkownik\u00f3w, aby nie \u015blepo pod\u0105\u017cali za zaleceniami AI. Uczenie maszynowe rzeczywi\u015bcie robi niekt\u00f3re rzeczy znacznie lepiej ni\u017c my, \u2014 ale psy, na przyk\u0142ad, s\u0105 znacznie skuteczniejsze od ludzi w wykrywaniu narkotyk\u00f3w, co wcale nie jest powodem, aby traktowa\u0107 je jako \u015bwiadk\u00f3w i wydawa\u0107 wyroki na podstawie ich zezna\u0144. A psy, na marginesie, s\u0105 znacznie m\u0105drzejsze ni\u017c jakikolwiek system uczenia maszynowego. <\/li>\n<\/ul>\n<p>Uczenie maszynowe to obecnie jeden z najwa\u017cniejszych fundamentalnych trend\u00f3w technologicznych. To jeden z g\u0142\u00f3wnych sposob\u00f3w, w jakie technologia zmieni otaczaj\u0105cy nas \u015bwiat w nadchodz\u0105cej dekadzie. Niekt\u00f3re aspekty tych zmian budz\u0105 niepok\u00f3j. Na przyk\u0142ad, potencjalny wp\u0142yw uczenia maszynowego na rynek pracy, lub jego wykorzystanie do nieetycznych cel\u00f3w (na przyk\u0142ad przez re\u017cimy autorytarne). Jest jeszcze jeden problem, kt\u00f3remu po\u015bwi\u0119cony jest ten post: <strong>stronniczo\u015b\u0107 sztucznej inteligencji<\/strong>. <\/p>\n<p><\/p>\n<p>To nie jest prosta historia. <\/p>\n<p><\/p>\n<p><img decoding=\"async\" alt=\"O stronniczo\u015bci sztucznej inteligencji\" src=\"\/wp-content\/uploads\/2019\/04\/d692fbfff47614758ab1d8e1516b2742.jpg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<em>SI od Google potrafi znajdowa\u0107 koty. Ta wiadomo\u015b\u0107 z 2012 roku by\u0142a wtedy czym\u015b wyj\u0105tkowym.<\/em><\/p>\n<p><\/p>\n<h2 id=\"chto-takoe-predvzyatost-ii\">Co to jest \u201estronniczo\u015b\u0107 SI\u201d?<\/h2>\n<p><\/p>\n<blockquote><p><em>\u201eSurowe dane\u201d to jednocze\u015bnie oksymoron i z\u0142y pomys\u0142; dane trzeba odpowiednio i starannie przygotowa\u0107.<\/em> \u2014Jeffrey Becker <\/p><\/blockquote>\n<p>Do oko\u0142o 2013 roku, aby stworzy\u0107 system, kt\u00f3ry, powiedzmy, rozpoznaje koty na zdj\u0119ciach, musia\u0142e\u015b opisa\u0107 logiczne kroki. Jak znale\u017a\u0107 k\u0105ty na obrazie, rozpozna\u0107 oczy, przeanalizowa\u0107 tekstury pod k\u0105tem futra, policzy\u0107 \u0142apy i tak dalej. Nast\u0119pnie zbierz wszystkie komponenty \u2014 i odkryj, \u017ce to wszystko nie dzia\u0142a. Mniej wi\u0119cej jak mechaniczny ko\u0144 \u2014 teoretycznie mo\u017cna go zrobi\u0107, ale w praktyce jest zbyt skomplikowany do opisania. Na wyj\u015bciu masz setki (a nawet tysi\u0105ce) r\u0119cznie napisanych zasad. I \u017cadnego dzia\u0142aj\u0105cego modelu. <\/p>\n<p><\/p>\n<p>Z pojawieniem si\u0119 uczenia maszynowego przestali\u015bmy u\u017cywa\u0107 \u201er\u0119cznych\u201d zasad do rozpoznawania tego czy owego obiektu. Zamiast tego bierzemy tysi\u0105c pr\u00f3bek \u201etego\u201d, X, tysi\u0105c pr\u00f3bek \u201einnego\u201d, Y, i ka\u017cemy komputerowi zbudowa\u0107 model oparty na ich analizie statystycznej. Nast\u0119pnie dajemy temu modelowi pewien przyk\u0142ad danych, a on z pewn\u0105 dok\u0142adno\u015bci\u0105 okre\u015bla, czy pasuje do kt\u00f3rego\u015b z zestaw\u00f3w. Uczenie maszynowe generuje model na podstawie danych, a nie poprzez cz\u0142owieka, kt\u00f3ry go pisze. Wyniki s\u0105 imponuj\u0105ce, szczeg\u00f3lnie w obszarze rozpoznawania obraz\u00f3w i wzorc\u00f3w, i dlatego ca\u0142a bran\u017ca technologiczna teraz przechodzi na uczenie maszynowe (ML). <\/p>\n<p><\/p>\n<p>Ale nie wszystko jest takie proste. W rzeczywistym \u015bwiecie twoje tysi\u0105ce przyk\u0142ad\u00f3w X lub Y mog\u0105 r\u00f3wnie\u017c zawiera\u0107 A, B, J, L, O, R, a nawet L. Mog\u0105 by\u0107 nier\u00f3wnomiernie roz\u0142o\u017cone, a niekt\u00f3re z nich mog\u0105 wyst\u0119powa\u0107 tak cz\u0119sto, \u017ce system zwr\u00f3ci na nie wi\u0119cej uwagi ni\u017c na obiekty, kt\u00f3re ci\u0119 interesuj\u0105.<\/p>\n<p><\/p>\n<p>Co to oznacza w praktyce? M\u00f3j ulubiony przyk\u0142ad \u2014 to gdy systemy rozpoznawania obraz\u00f3w <noindex><a rel=\"nofollow\" href=\"http:\/\/aiweirdness.com\/post\/171451900302\/do-neural-nets-dream-of-electric-sheep\">patrz\u0105 na trawiasty pag\u00f3rek i m\u00f3wi\u0105: \u201eowca\u201d<\/a><\/noindex>. Rozumiesz dlaczego: wi\u0119kszo\u015b\u0107 zdj\u0119\u0107-przyk\u0142ad\u00f3w \u201eowcy\u201d zosta\u0142a zrobiona na \u0142\u0105kach, gdzie one \u017cyj\u0105, a na tych obrazach trawa zajmuje znacznie wi\u0119cej miejsca ni\u017c ma\u0142e bia\u0142e puszyste stwory i to w\u0142a\u015bnie traw\u0119 systemy uznaj\u0105 za najwa\u017cniejsz\u0105. <\/p>\n<p><\/p>\n<p>S\u0105 te\u017c bardziej powa\u017cne przyk\u0142ady. Z ostatnich dni \u2014 jeden <noindex><a rel=\"nofollow\" href=\"https:\/\/www.medpagetoday.com\/dermatology\/generaldermatology\/70513\">projekt<\/a><\/noindex> o wykrywaniu raka sk\u00f3ry na zdj\u0119ciach. Okaza\u0142o si\u0119, \u017ce dermatolodzy cz\u0119sto fotografuj\u0105 linijk\u0119 razem z objawami raka sk\u00f3ry, aby zarejestrowa\u0107 rozmiar zmian. W przypadku zdj\u0119\u0107 zdrowej sk\u00f3ry linijek nie ma. Dla systemu AI takie linijki (dok\u0142adniej, piksele, kt\u00f3re my okre\u015blamy jako \u201elinijka\u201d) sta\u0142y si\u0119 jednym z rozr\u00f3\u017cnie\u0144 mi\u0119dzy zestawami przyk\u0142ad\u00f3w i czasami wa\u017cniejszymi ni\u017c drobna wysypka na sk\u00f3rze. W ten spos\u00f3b system, stworzony do rozpoznawania raka sk\u00f3ry, czasami rozpoznawa\u0142 linijki zamiast niego. <\/p>\n<p><\/p>\n<p>Kluczowym punktem jest to, \u017ce system nie ma semantycznego zrozumienia tego, na co patrzy. My patrzymy na zestaw pikseli i widzimy w nich owc\u0119, sk\u00f3r\u0119 lub linijki, a system widzi tylko ci\u0105g liczb. Nie widzi przestrzeni tr\u00f3jwymiarowej, nie dostrzega ani obiekt\u00f3w, ani tekstur, ani owiec. Po prostu widzi wzory w danych. <\/p>\n<p><\/p>\n<p>Trudno\u015b\u0107 w diagnozowaniu takich problem\u00f3w polega na tym, \u017ce sie\u0107 neuronowa (model wygenerowany przez tw\u00f3j system uczenia maszynowego) sk\u0142ada si\u0119 z tysi\u0119cy setek tysi\u0119cy w\u0119z\u0142\u00f3w. Nie ma prostego sposobu zajrzenia do modelu i zobaczenia, jak podejmuje decyzje. Posiadanie takiego sposobu oznacza\u0142oby, \u017ce proces jest wystarczaj\u0105co prosty, by opisa\u0107 wszystkie zasady r\u0119cznie, bez u\u017cycia uczenia maszynowego. Ludzie obawiaj\u0105 si\u0119, \u017ce uczenie maszynowe sta\u0142o si\u0119 pewnego rodzaju \u201eczarn\u0105 skrzynk\u0105\u201d. (Wyja\u015bni\u0119 p\u00f3\u017aniej, dlaczego to por\u00f3wnanie jest zbyt daleko posuni\u0119te.) <\/p>\n<p><\/p>\n<p>To, w og\u00f3lnych s\u0142owach, jest problemem uprzedze\u0144 sztucznej inteligencji lub uczenia maszynowego: system do znajdowania wzor\u00f3w w danych mo\u017ce znale\u017a\u0107 b\u0142\u0119dne wzory, a ty mo\u017cesz tego nie zauwa\u017cy\u0107. To fundamentalna cecha technologii i jest to oczywiste dla wszystkich, kt\u00f3rzy z ni\u0105 pracuj\u0105 w \u015brodowiskach naukowych i du\u017cych firmach technologicznych. Ale jej konsekwencje s\u0105 skomplikowane, a nasze mo\u017cliwe rozwi\u0105zania tych konsekwencji r\u00f3wnie\u017c. <\/p>\n<p><\/p>\n<p>Porozmawiajmy najpierw o konsekwencjach. <\/p>\n<p><\/p>\n<p><img decoding=\"async\" alt=\"O stronniczo\u015bci sztucznej inteligencji\" src=\"\/wp-content\/uploads\/2019\/04\/43748412bd82ae53a9c2e47afec9c655.jpg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<em>AI mo\u017ce nie\u015bwiadomie podejmowa\u0107 wybory na korzy\u015b\u0107 pewnych kategorii ludzi, opieraj\u0105c si\u0119 na wielu nieuchwytnych sygna\u0142ach.<\/em><\/p>\n<p><\/p>\n<h2 id=\"scenarii-predvzyatosti-ii\">Scenariusze uprzedze\u0144 AI<\/h2>\n<p><\/p>\n<p>Najbardziej oczywistym i przera\u017caj\u0105cym jest to, \u017ce problem ten mo\u017ce ujawni\u0107 si\u0119, gdy mowa o r\u00f3\u017cnorodno\u015bci ludzkiej. Ostatnio <noindex><a rel=\"nofollow\" href=\"https:\/\/www.reuters.com\/article\/us-amazon-com-jobs-automation-insight\/amazon-scraps-secret-ai-recruiting-tool-that-showed-bias-against-women-idUSKCN1MK08G\">pojawi\u0142y si\u0119 pog\u0142oski<\/a><\/noindex>, \u017ce Amazon pr\u00f3bowa\u0142 stworzy\u0107 system uczenia maszynowego do wst\u0119pnej selekcji kandydat\u00f3w do pracy. Poniewa\u017c w\u015br\u00f3d pracownik\u00f3w Amazona jest wi\u0119cej m\u0119\u017cczyzn, przyk\u0142ady \u201eudanych zatrudnie\u0144\u201d by\u0142y r\u00f3wnie\u017c cz\u0119\u015bciej m\u0119skie, a w zestawieniu \u017cyciorys\u00f3w zaproponowanym przez system by\u0142o wi\u0119cej m\u0119\u017cczyzn. Amazon zauwa\u017cy\u0142 to i nie wypu\u015bci\u0142 systemu do produkcji. <\/p>\n<p><\/p>\n<p>Najwa\u017cniejsza w tym przyk\u0142adzie jest informacja, \u017ce system, jak m\u00f3wi si\u0119, faworyzowa\u0142 kandydat\u00f3w p\u0142ci m\u0119skiej, mimo \u017ce p\u0142e\u0107 nie by\u0142a wskazana w \u017cyciorysie.<strong> System dostrzega\u0142 inne wzorce w przyk\u0142adach \u201eudanych zatrudnie\u0144\u201d: na przyk\u0142ad, kobiety mog\u0105 u\u017cywa\u0107 szczeg\u00f3lnych s\u0142\u00f3w do opisu osi\u0105gni\u0119\u0107 lub mie\u0107 wyj\u0105tkowe hobby. Oczywi\u015bcie, system nie wiedzia\u0142, czym jest \u201ehokej\u201d, kim s\u0105 \u201eludzie\u201d ani czym jest \u201esukces\u201d \u2014 po prostu przeprowadza\u0142 analiz\u0119 statystyczn\u0105 tekstu.<\/strong> Jednak\u017ce wzorce, kt\u00f3re dostrzega\u0142, prawdopodobnie pozosta\u0142yby niezauwa\u017cone przez cz\u0142owieka, a niekt\u00f3re z nich (na przyk\u0142ad to, \u017ce ludzie r\u00f3\u017cnej p\u0142ci r\u00f3\u017cnie opisuj\u0105 sukces) mog\u0142yby by\u0107 dla nas trudne do zauwa\u017cenia, nawet patrz\u0105c na nie. <\/p>\n<p><\/p>\n<p>Dalej \u2014 gorzej. System uczenia maszynowego, kt\u00f3ry bardzo dobrze wykrywa raka u os\u00f3b o bladej sk\u00f3rze, mo\u017ce gorzej dzia\u0142a\u0107 u os\u00f3b o ciemniejszej karnacji, lub odwrotnie. Niekoniecznie z powodu stronniczo\u015bci, lecz poniewa\u017c prawdopodobnie trzeba b\u0119dzie zbudowa\u0107 osobny model dla innego koloru sk\u00f3ry, wybieraj\u0105c inne cechy.<strong> Systemy uczenia maszynowego nie s\u0105 wymienne nawet w tak w\u0105skim zakresie, jak rozpoznawanie obraz\u00f3w.<\/strong> Musisz dostosowa\u0107 system, czasami po prostu metod\u0105 pr\u00f3b i b\u0142\u0119d\u00f3w, aby dobrze dostrzega\u0142 cechy w interesuj\u0105cych ci\u0119 danych, a\u017c osi\u0105gniesz po\u017c\u0105dan\u0105 dok\u0142adno\u015b\u0107. Ale mo\u017cesz nie zauwa\u017cy\u0107, \u017ce system jest dok\u0142adny w 98% przypadk\u00f3w przy pracy z jedn\u0105 grup\u0105 i tylko w 91% (cho\u0107 to i tak bardziej precyzyjne ni\u017c analiza przeprowadzona przez cz\u0142owieka) \u2014 z inn\u0105. <\/p>\n<p><\/p>\n<p>Jak dot\u0105d u\u017cywa\u0142em g\u0142\u00f3wnie przyk\u0142ad\u00f3w dotycz\u0105cych ludzi i ich cech. To w\u0142a\u015bnie na tym temat skupia si\u0119 dyskusja wok\u00f3\u0142 tego problemu. Wa\u017cne jest jednak, aby zrozumie\u0107, \u017ce stronniczo\u015b\u0107 wobec ludzi to tylko cz\u0119\u015b\u0107 problemu. B\u0119dziemy u\u017cywa\u0107 uczenia maszynowego do wielu rzeczy, a b\u0142\u0105d pr\u00f3bki b\u0119dzie istotny dla wszystkich z nich. Z drugiej strony, je\u017celi pracujesz z lud\u017ami, stronniczo\u015b\u0107 danych mo\u017ce by\u0107 z nimi zwi\u0105zana, a nie z nimi. <\/p>\n<p><\/p>\n<p>Aby to zrozumie\u0107, wr\u00f3\u0107my do przyk\u0142adu z rakiem sk\u00f3ry i rozwa\u017cmy trzy hipotetyczne mo\u017cliwo\u015bci awarii systemu. <\/p>\n<p><\/p>\n<ol>\n<li>Nier\u00f3wnomierny rozk\u0142ad ludzi: niezr\u00f3wnowa\u017cona liczba zdj\u0119\u0107 sk\u00f3ry w r\u00f3\u017cnych odcieniach, co prowadzi do fa\u0142szywie pozytywnych lub fa\u0142szywie negatywnych wynik\u00f3w zwi\u0105zanych z pigmentacj\u0105. <\/li>\n<li>Dane, na kt\u00f3rych trenuje system, zawieraj\u0105 cz\u0119sto wyst\u0119puj\u0105c\u0105 i nier\u00f3wnomiernie roz\u0142o\u017con\u0105 cech\u0119, niezwi\u0105zan\u0105 z lud\u017ami i nie maj\u0105c\u0105 warto\u015bci diagnostycznej: linijk\u0119 na zdj\u0119ciach objaw\u00f3w raka sk\u00f3ry lub traw\u0119 na zdj\u0119ciach owiec. W takim przypadku wynik b\u0119dzie r\u00f3\u017cny, je\u015bli na obrazie system znajdzie piksele czego\u015b, co ludzkie oko zidentyfikuje jako \u201elinijk\u0119\u201d. <\/li>\n<li>Dane zawieraj\u0105 zewn\u0119trzn\u0105 cech\u0119, kt\u00f3rej cz\u0142owiek nie mo\u017ce zobaczy\u0107, nawet je\u015bli b\u0119dzie jej szuka\u0142. <\/li>\n<\/ol>\n<p><\/p>\n<p>Co to oznacza? Z g\u00f3ry wiemy, \u017ce dane mog\u0105 r\u00f3\u017cnie reprezentowa\u0107 r\u00f3\u017cne grupy ludzi, i przynajmniej mo\u017cemy zaplanowa\u0107 poszukiwanie podobnych wyj\u0105tk\u00f3w. Innymi s\u0142owy, istnieje wiele spo\u0142ecznych powod\u00f3w, by przypuszcza\u0107, \u017ce dane o grupach ludzi ju\u017c zawieraj\u0105 pewne uprzedzenia. Je\u015bli spojrzymy na zdj\u0119cie z linijk\u0105, zobaczymy t\u0119 linijk\u0119 \u2014 po prostu ignorowali\u015bmy j\u0105 wcze\u015bniej, wiedz\u0105c, \u017ce nie ma znaczenia, zapominaj\u0105c, \u017ce system nic o tym nie wie.<\/p>\n<p><\/p>\n<p>Ale co, je\u015bli wszystkie twoje zdj\u0119cia niezdrowej sk\u00f3ry zosta\u0142y zrobione w biurze, gdzie u\u017cywane s\u0105 \u017car\u00f3wki, a zdrowej \u2014 przy \u015bwietle fluorescencyjnym? Co, je\u015bli po sko\u0144czeniu nagrywania zdrowej sk\u00f3ry przed nagraniem niezdrowej zaktualizowa\u0142e\u015b system operacyjny w telefonie, a Apple lub Google nieco zmieni\u0142o algorytm redukcji szum\u00f3w? Cz\u0142owiek mo\u017ce tego nie dostrzec, niezale\u017cnie od tego, jak bardzo by si\u0119 stara\u0142. A system maszynowego uczenia od razu to dostrzega i wykorzystuje. Nic o tym nie wie. <\/p>\n<p><\/p>\n<p>Podczas gdy m\u00f3wili\u015bmy o fa\u0142szywych korelacjach, zdarza si\u0119, \u017ce dane s\u0105 prawdziwe, a wyniki poprawne, ale nie chcesz ich u\u017cywa\u0107 z powod\u00f3w etycznych, prawnych lub zarz\u0105dzaj\u0105cych. W niekt\u00f3rych jurysdykcjach na przyk\u0142ad nie mo\u017cna oferowa\u0107 kobietom zni\u017cek na ubezpieczenia, mimo \u017ce kobiety mog\u0105 prowadzi\u0107 samochody bezpieczniej. \u0141atwo mo\u017cemy sobie wyobrazi\u0107 system, kt\u00f3ry przy analizie danych historycznych przypisze \u017ce\u0144skim imionom ni\u017cszy wsp\u00f3\u0142czynnik ryzyka. Okej, usu\u0144my imiona z pr\u00f3by. Ale przypomnij sobie przyk\u0142ad Amazona: system mo\u017ce okre\u015bli\u0107 p\u0142e\u0107 na podstawie innych czynnik\u00f3w (cho\u0107 nie wie, czym jest p\u0142e\u0107, ani co to jest samoch\u00f3d), a ty tego nie zauwa\u017cysz, dop\u00f3ki regulator nie przeanalizuje retroaktywnie oferowanych przez ciebie stawek i nie na\u0142o\u017cy na ciebie kary. <\/p>\n<p><\/p>\n<p>Na koniec cz\u0119sto przyjmuje si\u0119, \u017ce takie systemy b\u0119d\u0105 u\u017cywane tylko w projektach zwi\u0105zanych z lud\u017ami i interakcjami spo\u0142ecznymi. To nieprawda. Je\u015bli zajmujesz si\u0119 turbinami gazowymi, zapewne b\u0119dziesz chcia\u0142 zastosowa\u0107 uczenie maszynowe do telemetrii przekazywanej przez dziesi\u0105tki lub setki czujnik\u00f3w w twoim produkcie (czujniki audio, wideo, temperatury i wszelkie inne generuj\u0105 dane, kt\u00f3re mo\u017cna bardzo \u0142atwo dostosowa\u0107 do stworzenia modelu uczenia maszynowego). Hipotetycznie mo\u017cesz powiedzie\u0107: \u201eOto dane o tysi\u0105cu uszkodzonych turbin, zebrane przed ich awari\u0105, a oto dane z tysi\u0105ca turbin, kt\u00f3re nie uleg\u0142y awarii. Zbuduj model, aby powiedzie\u0107, w czym r\u00f3\u017cnica mi\u0119dzy nimi\u201d. A teraz wyobra\u017a sobie, \u017ce czujniki Siemensa znajduj\u0105 si\u0119 na 75% wadliwych turbin, i tylko na 12% dobrych (przy tym brak zwi\u0105zku z awariami). System zbuduje model, aby znajdowa\u0107 turbiny z czujnikami Siemensa. Ups!<\/p>\n<p><\/p>\n<p><img decoding=\"async\" alt=\"O stronniczo\u015bci sztucznej inteligencji\" src=\"\/wp-content\/uploads\/2019\/04\/e8097e4913756fdf04826a6628bc6836.jpg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\nZdj\u0119cie \u2014 Moritz Hardt, UC Berkeley<\/p>\n<p><\/p>\n<h2 id=\"upravlenie-predvzyatostyu-ii\">Zarz\u0105dzanie uprzedzeniami AI<\/h2>\n<p><\/p>\n<p>Co mo\u017cemy z tym zrobi\u0107? Mo\u017cna podej\u015b\u0107 do problemu z trzech stron:<\/p>\n<p><\/p>\n<ol>\n<li>Metodologiczna surowo\u015b\u0107 przy zbieraniu i zarz\u0105dzaniu danymi do trenowania systemu.<\/li>\n<li>Narz\u0119dzia techniczne do analizy i diagnozy zachowania modelu.<\/li>\n<li>Szkolenie, edukacja i ostro\u017cno\u015b\u0107 przy wdra\u017caniu uczenia maszynowego w produktach.<\/li>\n<\/ol>\n<p><\/p>\n<p>W ksi\u0105\u017cce \u201eMieszczanin w\u015br\u00f3d szlachcic\u00f3w\u201d Moliera jest \u017cart: pewnemu m\u0119\u017cczy\u017anie opowiedziano, \u017ce literatura dzieli si\u0119 na proz\u0119 i poezj\u0119, a on z zachwytem odkrywa, \u017ce przez ca\u0142e \u017cycie m\u00f3wi\u0142 proz\u0105, nie zdaj\u0105c sobie z tego sprawy. Prawdopodobnie statystycy czuj\u0105 si\u0119 dzi\u015b podobnie: nie zdaj\u0105c sobie z tego sprawy, po\u015bwi\u0119cili swoje kariery sztucznej inteligencji i b\u0142\u0119dom pr\u00f3bkowania. Szukanie b\u0142\u0119du pr\u00f3bkowania i prze\u017cywanie go nie jest nowym problemem, musimy po prostu systemowo podej\u015b\u0107 do jego rozwi\u0105zania. Jak wspomniano powy\u017cej, w niekt\u00f3rych przypadkach rzeczywi\u015bcie \u0142atwiej jest to zrobi\u0107, badaj\u0105c problemy zwi\u0105zane z danymi o ludziach. Z za\u0142o\u017cenia zak\u0142adamy, \u017ce mo\u017cemy mie\u0107 uprzedzenia wobec r\u00f3\u017cnych grup ludzi, ale trudno nam nawet wyobrazi\u0107 sobie uprzedzenia dotycz\u0105ce czujnik\u00f3w Siemens.<\/p>\n<p><\/p>\n<p>Nowo\u015bci\u0105 w tym wszystkim jest oczywi\u015bcie to, \u017ce ludzie nie zajmuj\u0105 si\u0119 bezpo\u015brednio analiz\u0105 statystyczn\u0105. Przeprowadzaj\u0105 j\u0105 maszyny, kt\u00f3re tworz\u0105 du\u017ce, z\u0142o\u017cone modele, trudne do zrozumienia. Kwestia przejrzysto\u015bci jest jednym z podstawowych aspekt\u00f3w problemu stronniczo\u015bci. Boimy si\u0119, \u017ce system nie tylko jest stronniczy, ale \u017ce nie ma \u017cadnej mo\u017cliwo\u015bci wykrycia jego stronniczo\u015bci, a uczenie maszynowe r\u00f3\u017cni si\u0119 tym od innych form automatyzacji, kt\u00f3re, jak si\u0119 zak\u0142ada, sk\u0142adaj\u0105 si\u0119 z jasnych, logicznych krok\u00f3w, kt\u00f3re mo\u017cna sprawdzi\u0107. <\/p>\n<p><\/p>\n<p>Tutaj mamy dwie problemy. Mo\u017ce jednak mo\u017cemy przeprowadza\u0107 jaki\u015b audyt system\u00f3w uczenia maszynowego. A audyt jakiegokolwiek innego systemu w rzeczywisto\u015bci wcale nie jest \u0142atwiejszy.<\/p>\n<p><\/p>\n<p>Po pierwsze, jednym z kierunk\u00f3w nowoczesnych bada\u0144 w dziedzinie uczenia maszynowego jest poszukiwanie metod wykrywania wa\u017cnych funkcji system\u00f3w uczenia maszynowego. Ponadto uczenie maszynowe (w swoim obecnym stanie) to zupe\u0142nie nowa dziedzina nauki, kt\u00f3ra szybko si\u0119 zmienia, wi\u0119c nie warto my\u015ble\u0107, \u017ce rzeczy niemo\u017cliwe dzisiaj, mog\u0105 wkr\u00f3tce sta\u0107 si\u0119 ca\u0142kowicie realne. Projekt <noindex><a rel=\"nofollow\" href=\"https:\/\/openai.com\/\">OpenAI<\/a><\/noindex> jest interesuj\u0105cym tego przyk\u0142adem. <\/p>\n<p><\/p>\n<p>Po drugie, pomys\u0142, \u017ce mo\u017cna analizowa\u0107 i rozumie\u0107 proces podejmowania decyzji w istniej\u0105cych systemach czy organizacjach, jest dobry w teorii, ale niepraktyczny w praktyce. Zrozumienie, jak podejmowane s\u0105 decyzje w du\u017cej organizacji, nie jest wcale proste. Nawet je\u015bli istnieje formalny proces podejmowania decyzji, rzadko odzwierciedla on rzeczywiste interakcje mi\u0119dzy lud\u017ami, a ci cz\u0119sto nie maj\u0105 logicznego, systemowego podej\u015bcia do podejmowania swoich decyzji. Jak powiedzia\u0142 m\u00f3j kolega <noindex><a rel=\"nofollow\" href=\"https:\/\/en.wikipedia.org\/wiki\/Vijay_S._Pande\">Vijay Panda<\/a><\/noindex>, <strong>ludzie s\u0105 tak\u017ce czarnymi skrzynkami<\/strong>. <\/p>\n<p><\/p>\n<p>We\u017amy tysi\u0105c os\u00f3b w kilku pokrywaj\u0105cych si\u0119 firmach i instytucjach, a problem stanie si\u0119 jeszcze bardziej z\u0142o\u017cony. Wiemy post factum, \u017ce \"Space Shuttle\" mia\u0142 rozpa\u015b\u0107 si\u0119 na cz\u0119\u015bci podczas powrotu, a niekt\u00f3rzy ludzie w NASA mieli informacje, kt\u00f3re dawa\u0142y im pow\u00f3d do obaw, \u017ce mo\u017ce wydarzy\u0107 si\u0119 co\u015b z\u0142ego, ale system <em>w ca\u0142o\u015bci<\/em> tego nie wiedzia\u0142. NASA w\u0142a\u015bnie przesz\u0142a podobny audyt, trac\u0105c poprzedniego shuttla, a mimo to straci\u0142a kolejnego \u2014 z bardzo podobnego powodu. \u0141atwo jest twierdzi\u0107, \u017ce organizacje i ludzie pod\u0105\u017caj\u0105 za jasnymi, logicznymi zasadami, kt\u00f3re mo\u017cna sprawdzi\u0107, zrozumie\u0107 i zmieni\u0107 \u2014 ale do\u015bwiadczenie pokazuje co\u015b przeciwnego. To \"<noindex><a rel=\"nofollow\" href=\"https:\/\/ru.wikipedia.org\/wiki\/%D0%93%D0%BE%D1%81%D0%BF%D0%BB%D0%B0%D0%BD_%D0%A1%D0%A1%D0%A1%D0%A0\">przes\u0105d Gosp\u0142anu<\/a><\/noindex>\u00bb.<\/p>\n<p><\/p>\n<p><strong>Cz\u0119sto por\u00f3wnuj\u0119 uczenie maszynowe z bazami danych, zw\u0142aszcza z relacyjnymi \u2014 now\u0105 fundamentaln\u0105 technologi\u0105, kt\u00f3ra zmieni\u0142a mo\u017cliwo\u015bci informatyki i otaczaj\u0105cy nas \u015bwiat, kt\u00f3ra sta\u0142a si\u0119 cz\u0119\u015bci\u0105 wszystkiego, co nieustannie u\u017cywamy, nie zdaj\u0105c sobie z tego sprawy.<\/strong> Bazy danych r\u00f3wnie\u017c maj\u0105 swoje problemy, kt\u00f3re maj\u0105 podobny charakter: system mo\u017ce by\u0107 zbudowany na fa\u0142szywych za\u0142o\u017ceniach lub na z\u0142ych danych, ale trudno to zauwa\u017cy\u0107, a osoby korzystaj\u0105ce z systemu b\u0119d\u0105 robi\u0107 to, co on im m\u00f3wi, nie zadaj\u0105c pyta\u0144. Istnieje mn\u00f3stwo starych dowcip\u00f3w o pracownikach skarb\u00f3wki, kt\u00f3rzy kiedy\u015b b\u0142\u0119dnie zapisali twoje imi\u0119, i przekonanie ich do poprawienia b\u0142\u0119du jest znacznie trudniejsze ni\u017c faktyczna zmiana imienia. Mo\u017cna my\u015ble\u0107 o tym na r\u00f3\u017cne sposoby, ale nie jest jasne, jak lepiej: jako o problemie technicznym w SQL, czy jako o b\u0142\u0119dzie w wydaniu Oracle, czy jako o awarii instytucji biurokratycznych? Jak trudno znale\u017a\u0107 b\u0142\u0105d w procesie, kt\u00f3ry doprowadzi\u0142 do tego, \u017ce system nie ma takiej funkcji, jak korekta liter\u00f3wek? Czy mo\u017cna by\u0142o to zrozumie\u0107 przed tym, jak ludzie zacz\u0119li skar\u017cy\u0107 si\u0119? <\/p>\n<p><\/p>\n<p>Jeszcze \u0142atwiej t\u0119 problematyk\u0119 ilustracj\u0105 pos\u0142u\u017c\u0105 historie, w kt\u00f3rych kierowcy z powodu przestarza\u0142ych danych w nawigatorze zje\u017cd\u017caj\u0105 do rzek. Dobrze, mapy powinny by\u0107 stale aktualizowane. Ale na ile TomTom jest winny temu, \u017ce tw\u00f3j samoch\u00f3d zostaje porwany przez morze?<\/p>\n<p><\/p>\n<p>M\u00f3wi\u0119 to, aby podkre\u015bli\u0107, \u017ce tak \u2014 stronniczo\u015b\u0107 w uczeniu maszynowym stworzy problemy. Jednak b\u0119d\u0105 one podobne do tych, z kt\u00f3rymi mieli\u015bmy do czynienia w przesz\u0142o\u015bci, i b\u0119dzie mo\u017cna je zauwa\u017cy\u0107 i rozwi\u0105za\u0107 (lub nie) mniej wi\u0119cej tak samo dobrze, jak to wychodzi\u0142o nam w przesz\u0142o\u015bci. Z tego wzgl\u0119du scenariusz, w kt\u00f3rym stronniczo\u015b\u0107 AI wyrz\u0105dzi szkody, raczej nie zdarzy si\u0119 w przypadku wiod\u0105cych badaczy pracuj\u0105cych w du\u017cych organizacjach. Prawdopodobnie jaki\u015b ma\u0142o znacz\u0105cy wykonawca technologiczny lub dostawca oprogramowania napisze co\u015b na kolanie, u\u017cywaj\u0105c komponent\u00f3w open source, bibliotek i narz\u0119dzi, kt\u00f3rych nie rozumie. A nieszcz\u0119\u015bliwy klient da si\u0119 nabra\u0107 na wyra\u017cenie \"sztuczna inteligencja\" w opisie produktu i, nie zadaj\u0105c zb\u0119dnych pyta\u0144, przeka\u017ce to swoim nisko op\u0142acanym pracownikom, nakazuj\u0105c im robi\u0107 to, co powie AI. Dok\u0142adnie to si\u0119 sta\u0142o z bazami danych. To nie jest problem sztucznej inteligencji, ani nawet problem oprogramowania. To czynnik ludzki.<\/p>\n<p><\/p>\n<h2 id=\"zaklyuchenie\">Podsumowanie<\/h2>\n<p><\/p>\n<blockquote><p><em>Uczenie maszynowe mo\u017ce zrobi\u0107 wszystko, czego mo\u017cesz nauczy\u0107 psa \u2014 ale nigdy nie mo\u017cesz by\u0107 pewien, czego dok\u0142adnie tego psa nauczy\u0142e\u015b.<\/em><\/p><\/blockquote>\n<p>Cz\u0119sto wydaje mi si\u0119, \u017ce termin \u201esztuczna inteligencja\u201d jedynie przeszkadza w rozmowach tego typu. Ten termin tworzy fa\u0142szywe wra\u017cenie, \u017ce naprawd\u0119 j\u0105 stworzyli\u015bmy \u2014 t\u0119 inteligencj\u0119. \u017be jeste\u015bmy na drodze do HAL 9000 lub Skynet \u2014 do czego\u015b, co tak naprawd\u0119 <em>rozumie<\/em>. Ale nie. To tylko maszyny, i znacznie lepiej por\u00f3wnywa\u0107 je, powiedzmy, z pralk\u0105. Radzi sobie z praniem lepiej ni\u017c cz\u0142owiek, ale je\u015bli wrzucisz do niej naczynia zamiast bielizny, to je\u2026 wypierze. Naczynia b\u0119d\u0105 nawet czyste. Ale to nie to, na co liczy\u0142e\u015b, i nie stanie si\u0119 tak dlatego, \u017ce system ma jakie\u015b uprzedzenia wobec naczy\u0144. Pralka nie wie, co to naczynia, ani co to ubrania \u2014 to tylko przyk\u0142ad automatyzacji, koncepcyjnie podobny do tego, jak wcze\u015bniej automatyzowano procesy.<\/p>\n<p><\/p>\n<p>Bez wzgl\u0119du na to, o czym mowa \u2014 o maszynach, samolotach czy bazach danych \u2014 te systemy b\u0119d\u0105 jednocze\u015bnie bardzo pot\u0119\u017cne i bardzo ograniczone. B\u0119d\u0105 ca\u0142kowicie zale\u017cne od tego, jak ludzie u\u017cywaj\u0105 tych system\u00f3w, jak dobre lub z\u0142e maj\u0105 intencje i jak dobrze rozumiej\u0105 ich dzia\u0142anie.<\/p>\n<p><\/p>\n<p>W zwi\u0105zku z tym stwierdzenie, \u017ce \u201esztuczna inteligencja to matematyka, wi\u0119c nie mo\u017ce mie\u0107 uprzedze\u0144\u201d jest ca\u0142kowicie b\u0142\u0119dne. Ale r\u00f3wnie b\u0142\u0119dne jest twierdzenie, \u017ce uczenie maszynowe \u201ejest subiektywne z natury\u201d. Uczenie maszynowe odnajduje wzory w danych, a jakie wzory znajdzie, zale\u017cy od danych, a dane zale\u017c\u0105 od nas. Tak samo jak to, co z nimi robimy. Uczenie maszynowe rzeczywi\u015bcie robi niekt\u00f3re rzeczy znacznie lepiej ni\u017c my \u2014 ale psy, na przyk\u0142ad, s\u0105 znacznie bardziej skuteczne w wykrywaniu narkotyk\u00f3w, co wcale nie jest powodem, aby traktowa\u0107 je jako \u015bwiadk\u00f3w i wydawa\u0107 wyroki na podstawie ich zezna\u0144. A psy, nawiasem m\u00f3wi\u0105c, s\u0105 znacznie m\u0105drzejsze ni\u017c jakikolwiek system uczenia maszynowego.<\/p>\n<p><strong>T\u0142umaczenie:<\/strong>\u00a0<noindex><a rel=\"nofollow\" href=\"https:\/\/habr.com\/en\/users\/757NF\/\">Diana Lecka<\/a><\/noindex>.<br \/>\n<strong>Redakcja:<\/strong>\u00a0<noindex><a rel=\"nofollow\" href=\"http:\/\/teleg.one\/ponchiknews\">Aleksej Iwanow<\/a><\/noindex>.<br \/>\n<strong>Spo\u0142eczno\u015b\u0107:<\/strong> <noindex><a rel=\"nofollow\" href=\"http:\/\/teleg.one\/ponchiknews\">@PonchikNews<\/a><\/noindex>.<\/p>\n<p>\u0179r\u00f3d\u0142o: <a content=\"nofollow\" rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/post\/449224\/\">habr.com<\/a><\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"<p>tl;dr: \u041c\u0430\u0448\u0438\u043d\u043d\u043e\u0435 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u0438\u0449\u0435\u0442 \u0437\u0430\u043a\u043e\u043d\u043e\u043c\u0435\u0440\u043d\u043e\u0441\u0442\u0438 \u0432 \u0434\u0430\u043d\u043d\u044b\u0445. \u041d\u043e \u0438\u0441\u043a\u0443\u0441\u0441\u0442\u0432\u0435\u043d\u043d\u044b\u0439 \u0438\u043d\u0442\u0435\u043b\u043b\u0435\u043a\u0442 \u043c\u043e\u0436\u0435\u0442 \u0431\u044b\u0442\u044c \u00ab\u043f\u0440\u0435\u0434\u0432\u0437\u044f\u0442\u00bb \u2014\u00a0\u0442\u043e \u0435\u0441\u0442\u044c, \u043d\u0430\u0445\u043e\u0434\u0438\u0442\u044c \u043d\u0435\u0432\u0435\u0440\u043d\u044b\u0435 \u043f\u0430\u0442\u0442\u0435\u0440\u043d\u044b. \u041a \u043f\u0440\u0438\u043c\u0435\u0440\u0443, \u0441\u0438\u0441\u0442\u0435\u043c\u0430 \u043e\u0431\u043d\u0430\u0440\u0443\u0436\u0435\u043d\u0438\u044f \u0440\u0430\u043a\u0430 \u043a\u043e\u0436\u0438 \u043f\u043e \u0444\u043e\u0442\u043e\u0433\u0440\u0430\u0444\u0438\u0438 \u043c\u043e\u0436\u0435\u0442 \u043e\u0431\u0440\u0430\u0449\u0430\u0442\u044c \u043e\u0441\u043e\u0431\u043e\u0435 \u0432\u043d\u0438\u043c\u0430\u043d\u0438\u0435 \u043d\u0430 \u0441\u043d\u0438\u043c\u043a\u0438, \u0441\u0434\u0435\u043b\u0430\u043d\u043d\u044b\u0435 \u0432\u043e \u0432\u0440\u0430\u0447\u0435\u0431\u043d\u043e\u043c \u043a\u0430\u0431\u0438\u043d\u0435\u0442\u0435. \u041c\u0430\u0448\u0438\u043d\u043d\u043e\u0435 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u043d\u0435 \u0443\u043c\u0435\u0435\u0442 \u043f\u043e\u043d\u0438\u043c\u0430\u0442\u044c: \u0435\u0433\u043e \u0430\u043b\u0433\u043e\u0440\u0438\u0442\u043c\u044b \u043b\u0438\u0448\u044c \u0432\u044b\u044f\u0432\u043b\u044f\u044e\u0442 \u0437\u0430\u043a\u043e\u043d\u043e\u043c\u0435\u0440\u043d\u043e\u0441\u0442\u0438 \u0432 \u0447\u0438\u0441\u043b\u0430\u0445, \u0438 \u0435\u0441\u043b\u0438 \u0434\u0430\u043d\u043d\u044b\u0435 \u043d\u0435 \u0440\u0435\u043f\u0440\u0435\u0437\u0435\u043d\u0442\u0430\u0442\u0438\u0432\u043d\u044b, \u0442\u0430\u043a\u0438\u043c \u0431\u0443\u0434\u0435\u0442 [&hellip;]<\/p>\n","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"author":1,"featured_media":24558,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[702],"tags":[],"class_list":["post-32781","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-news"],"aioseo_notices":[],"aioseo_head":"\n\t\t<!-- All in One SEO 5.0.1.1 - aioseo.com -->\n\t<meta name=\"description\" content=\"tl;dr: .\" \/>\n\t<meta name=\"robots\" content=\"max-image-preview:large\" \/>\n\t<meta name=\"author\" content=\"Yuri Gagarin\"\/>\n\t<link rel=\"canonical\" href=\"https:\/\/prohoster.info\/pl\/blog\/news\/o-predvzyatosti-iskusstvennogo-intellekta\" \/>\n\t<meta name=\"generator\" content=\"All in One SEO (AIOSEO) 5.0.1.1\" \/>\n\t\t<meta property=\"og:locale\" content=\"pl_PL\" \/>\n\t\t<meta property=\"og:site_name\" content=\"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b\" \/>\n\t\t<meta property=\"og:type\" content=\"article\" \/>\n\t\t<meta property=\"og:title\" content=\"\ud83e\udd47\u041e \u043f\u0440\u0435\u0434\u0432\u0437\u044f\u0442\u043e\u0441\u0442\u0438 \u0438\u0441\u043a\u0443\u0441\u0441\u0442\u0432\u0435\u043d\u043d\u043e\u0433\u043e \u0438\u043d\u0442\u0435\u043b\u043b\u0435\u043a\u0442\u0430 | ProHoster\" \/>\n\t\t<meta property=\"og:description\" content=\"tl;dr: .\" \/>\n\t\t<meta property=\"og:url\" content=\"https:\/\/prohoster.info\/pl\/blog\/news\/o-predvzyatosti-iskusstvennogo-intellekta\" \/>\n\t\t<meta property=\"og:image\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:secure_url\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:width\" content=\"350\" \/>\n\t\t<meta property=\"og:image:height\" content=\"350\" \/>\n\t\t<meta property=\"article:published_time\" content=\"2019-10-31T18:48:54+00:00\" \/>\n\t\t<meta property=\"article:modified_time\" content=\"2019-10-31T18:48:54+00:00\" \/>\n\t\t<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<meta property=\"article:author\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<!-- All in One SEO -->\n\n","aioseo_head_json":{"title":"\ud83e\udd47 O uprzedzeniach sztucznej inteligencji | ProHoster","description":"tl;dr: .","canonical_url":"https:\/\/prohoster.info\/pl\/blog\/news\/o-predvzyatosti-iskusstvennogo-intellekta","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"pl_PL","og:site_name":"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b","og:type":"article","og:title":"\ud83e\udd47\u041e \u043f\u0440\u0435\u0434\u0432\u0437\u044f\u0442\u043e\u0441\u0442\u0438 \u0438\u0441\u043a\u0443\u0441\u0441\u0442\u0432\u0435\u043d\u043d\u043e\u0433\u043e \u0438\u043d\u0442\u0435\u043b\u043b\u0435\u043a\u0442\u0430 | ProHoster","og:description":"tl;dr: .","og:url":"https:\/\/prohoster.info\/pl\/blog\/news\/o-predvzyatosti-iskusstvennogo-intellekta","og:image":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:secure_url":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:width":350,"og:image:height":350,"article:published_time":"2019-10-31T18:48:54+00:00","article:modified_time":"2019-10-31T18:48:54+00:00","article:publisher":"https:\/\/www.facebook.com\/prohoster","article:author":"https:\/\/www.facebook.com\/prohoster"},"aioseo_meta_data":{"post_id":"32781","title":null,"description":null,"keywords":null,"keyphrases":null,"primary_term":null,"canonical_url":null,"og_title":null,"og_description":null,"og_object_type":"default","og_image_type":"default","og_image_url":null,"og_image_width":null,"og_image_height":null,"og_image_custom_url":null,"og_image_custom_fields":null,"og_video":null,"og_custom_url":null,"og_article_section":null,"og_article_tags":null,"twitter_use_og":false,"twitter_card":"default","twitter_image_type":"default","twitter_image_url":null,"twitter_image_custom_url":null,"twitter_image_custom_fields":null,"twitter_title":null,"twitter_description":null,"schema":{"blockGraphs":[],"customGraphs":[],"default":{"data":{"Article":[],"Course":[],"Dataset":[],"FAQPage":[],"Movie":[],"Person":[],"Product":[],"ProductReview":[],"Car":[],"Recipe":[],"Service":[],"SoftwareApplication":[],"WebPage":[]},"graphName":"","isEnabled":true},"graphs":[]},"schema_type":null,"schema_type_options":null,"pillar_content":false,"robots_default":true,"robots_noindex":false,"robots_noarchive":false,"robots_nosnippet":false,"robots_nofollow":false,"robots_noimageindex":false,"robots_noodp":false,"robots_notranslate":false,"robots_max_snippet":null,"robots_max_videopreview":null,"robots_max_imagepreview":"large","priority":null,"frequency":null,"local_seo":null,"seo_analyzer_scan_date":"2026-01-21 12:30:22","breadcrumb_settings":null,"limit_modified_date":false,"reviewed_by":null,"ai":null,"created":"2021-03-01 02:52:26","updated":"2026-01-21 12:30:22","focus_keyword":null,"additional_keywords":null,"truseo_locale":null},"gt_translate_keys":[{"key":"link","format":"url"}],"_links":{"self":[{"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/posts\/32781","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/comments?post=32781"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/posts\/32781\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/media\/24558"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/media?parent=32781"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/categories?post=32781"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/pl\/wp-json\/wp\/v2\/tags?post=32781"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}