文章目录
- 第2章 负责任的人工智能：构建可信AI系统的理论与实务
- 引言：技术乐观主义者的必修课
- 2.1 算法偏见溯源与检测：从COMPAS案说起
- 2.1.1 COMPAS案件深度剖析
- 2.1.2 算法偏见的四种来源
- 理解偏见（Understanding Bias）
- 数据集偏见（Dataset Bias）
- 技术偏见（Technical Bias）
- 实践偏见（Practical Bias）
- 2.1.3 偏见检测与缓解技术框架
- 检测工具链
- 技术缓解策略
- 企业级解决方案
- 2.2 数据隐私与安全：GDPR、匿名化与联邦学习
- 2.2.1 隐私保护法规框架
- GDPR核心要求
- 中国相关法规
- 2.2.2 隐私保护技术体系
- 差分隐私（Differential Privacy）
- 联邦学习（Federated Learning）
- 匿名化技术层级
- 2.2.3 隐私与效用的平衡艺术
- 2.3 AI的可解释性：打开“黑箱”的技术与哲学
- 2.3.1 可解释性的多重维度
- 技术可解释性
- 社会可解释性
- 2.3.2 可解释AI技术图谱
- 模型内在可解释性
- 事后解释方法
- 2.3.3 可解释性的哲学思考
- 解释的认知价值
- 解释的局限性
- 2.4 AI伦理框架设计：开发者的自查清单
- 2.4.1 多层次伦理框架
- 基础伦理原则
- 开发实践原则
- 2.4.2 开发者伦理自查清单
- 数据收集阶段
- 模型开发阶段
- 部署运营阶段
- 2.4.3 行业特定伦理指南
- 2.5 辩论会：“自动驾驶的电车难题”与技术伦理边界
- 2.5.1 电车难题的技术版本
- 2.5.2 各派观点交锋
- 功利主义观点
- 义务论观点
- 美德伦理观点
- 2.5.3 技术实现中的现实约束
- 技术可行性
- 社会接受度
- 2.5.4 实践解决方案框架
- 多层次决策架构
- stakeholder参与机制
- 本章小结：从原则到实践的责任之路
- 延伸学习与思考题
- 案例分析
- 技术实践
- 哲学思考
《智能基石：从数据到决策的AI系统构建之道》
第2章 负责任的人工智能：构建可信AI系统的理论与实务
引言：技术乐观主义者的必修课
2016年，北美威斯康星州法院使用的COMPAS再犯风险评估系统被曝对黑人被告存在系统性歧视，尽管该系统在整体准确率上表现良好。这一事件揭示了AI伦理不再是理论探讨，而是直接影响人类命运的现实问题。本章将深入探讨如何构建负责任的人工智能系统，从技术底层到哲学层面全面解析AI伦理的实施路径。
2.1 算法偏见溯源与检测：从COMPAS案说起
2.1.1 COMPAS案件深度剖析
COMPAS（Correctional Offender Management Profiling for Alternative Sanctions）系统被用于评估被告的再犯罪风险，为其提供1-10分的评分。ProPublica的调查显示，该系统存在严重的种族偏见：
- 误报率差异：黑人被告被错误标记为高再犯风险的比例是白人的两倍
- 预测一致性：即使控制犯罪历史、年龄、性别等变量，偏见依然存在
- 商业黑箱：作为商业软件，其算法逻辑不公开，加剧了不透明性
技术根源分析：COMPAS的偏见主要源于
