機器學習的侷限

認識 Machine Learning

Sara Billen

Curriculum Manager, DataCamp

資料品質

• 垃圾進，垃圾出
• 輸出品質取決於輸入品質

錯得一塌糊塗的例子

Amazon 的性別偏誤招募工具

• 招募軟體用來審查履歷
• 因學習自過去男性錄用較多的資料而偏好男性
• 它會降低那些履歷的評分
  • 包含「women」一詞
  • 暗示應徵者為女性

錯得一塌糊塗的例子

Microsoft 的 AI 聊天機器人

小心為上

• 別盲目信任你的模型
• 意識最關鍵
• 留意你的資料

$$

機器學習模型的好壞取決於你提供的資料

品質保證

• 高品質資料需要：
  • 資料分析
  • 離群值檢視
  • 領域專業
  • 文件化

可解釋性

可解釋性

• 透明化以提升信任、清晰度與理解
• 情境：商業採用、法規監理、降低偏誤

可解釋 AI

黑箱

• 深度學習
• 較擅長回答「What?」
• 高準確率預測

可解釋 AI

• 傳統機器學習
• 較擅長回答「Why?」
• 人類可理解

範例：可解釋 AI

1. 預測：病人會得糖尿病嗎？
2. 推論：為什麼會發生？

範例：不可解釋的 AI

僅預測：這可能是哪個字母？

一起來練習吧！

認識 Machine Learning