问：
为什么机器偏差是机器学习中的一个问题？
A：这个问题可以用两种不同的方式回答。 首先，为什么会出现机器偏差问题，例如为什么它会出现在机器学习过程中？
机器学习虽然复杂且复杂，但在一定程度上取决于它使用的数据集。 数据集的构建涉及固有偏差。 就像在媒体中，忽略和故意选择包容可能显示出特定的偏差一样，在机器学习中，必须检查所使用的数据集以确定存在哪种偏差。
| 免费下载： 机器学习及其重要性 |
例如，对于技术测试和设计过程而言，要显示一种用户优先于另一种用户是一个普遍的问题。 一个重要的例子是科技界的性别差异。
为什么这会有所作为？为什么将其应用于机器学习？
由于在测试环境中缺少现有的女性，可能会导致产生的技术对女性受众不太友好。 一些专家对此的描述是，如果没有现有的女性测试，最终产品可能无法识别女性用户的输入-它可能没有识别女性身份或充分处理女性输入的工具。
对于不同种族，不同宗教信仰的人或其他任何类型的人口统计学也是如此。 没有正确的数据，机器学习算法对于给定的用户集将无法正常工作，因此必须将包含数据故意添加到该技术中。 处理人员不仅要获取主要数据集并加强固有的偏见，还需要真正地研究问题。
另一个例子是机器学习引擎，它吸收工作和薪水信息并吐出结果。 如果未分析该固有数据集，则机器将增强偏差。 如果它认为男人占据了绝大多数行政职位，并且机器学习过程涉及到过滤原始数据集并返回相应的结果，那么它将返回显示出男性偏见的结果。
问题的第二部分涉及为什么这种偏见如此有害。 没有适当的监督和测试，新技术会损害而不是帮助我们包容和平等。 如果推出了一种新技术产品，该产品可以识别肤色较浅的面孔，但不能识别肤色较黑的面孔，则可能导致种族紧张局势升级，并有可能使相关公司对多样性不敏感。 如果机器学习算法重现并加剧数据集中的偏差，那么人工智能将把自己的声音添加到社会系统中已经存在的，有利于一群人而不是另一个人的人类声音和人类倾向中。
解决此问题的最佳方法是仔细查看基础数据集，使用功能选择，添加变量输入并自己处理原始数据集，并通过人工精心制作数据来增强机器学习的真正能力，以获得结果不仅具有强大的分析能力，而且还具有计算机尚无法复制的一些人类见解。
