🎯 เป้าหมาย
- อธิบายว่า Bias ในข้อมูลคืออะไรและมาจากไหน
- ยกตัวอย่างผลกระทบของระบบที่เอนเอียงต่อกลุ่มคน
- เสนอแนวทางเบื้องต้นในการลดความไม่เป็นธรรม
1. Bias ไม่ได้เกิดจาก “ความตั้งใจชั่ว” เสมอ
บ่อยครั้งเกิดจากข้อมูลที่ใช้ฝึกไม่สะท้อนความหลากหลายของโลกจริง เช่น มีภาพกลุ่มหนึ่งมากกว่า บันทึกประวัติจากระบบเก่าที่เคยเลือกปฏิบัติ หรือคำนิยามของ “ความสำเร็จ” ที่ลำเอียง
2. ตัวอย่างผลกระทบ
- ระบบคัดกรองใบสมัครงานที่เรียนรู้จากประวัติอดีต อาจลดโอกาสของกลุ่มที่เคยมีสัดส่วนน้อย
- ระบบรู้จำใบหน้าที่ฝึกจากใบหน้ากลุ่มเดียว อาจผิดพลาดกับกลุ่มอื่นมากกว่า
AI ที่เอนเอียงสามารถขยายความไม่เป็นธรรมเดิมในสังคมให้กว้างและเร็วขึ้น ถ้าไม่มีการตรวจสอบ
3. แนวทางเบื้องต้น
- ตรวจสอบความหลากหลายของข้อมูล
- วัดผลแยกตามกลุ่มที่เกี่ยวข้อง
- มีมนุษย์ตรวจสอบในจุดตัดสินใจสำคัญ
- เปิดโอกาสให้มีการอุทธรณ์หรือแก้ไขเมื่อผลไม่เป็นธรรม
✅ สรุป
- Bias มักมาจากข้อมูลและบริบทสังคม
- ต้องออกแบบ วัดผล และกำกับดูแลอย่างจริงจัง
📝 แบบฝึกหัด
1. Bias ในข้อมูลมักเกิดจากอะไร?
2. วิธีหนึ่งในการลดความไม่เป็นธรรมของระบบ AI คืออะไร?