解决我们人工智能系统中的偏见是当今时代最紧迫的挑战之一。为什么？因为这些系统中的偏见的后果充其量是有问题的，最坏的情况是 的。 致命 经过近 2 年的专业工程师经验，我将人工智能视为人类的一面镜子。毕竟，人工智能系统从人类决策产生的数据中学习，因此它们只是向我们反映了我们自己社会的偏见，这些偏见被编码并放大到我们的技术中。 在 ，一位谷歌工程师注意到该公司的图像识别系统将黑人标记为“大猩猩”。例如，当这些系统继续用于训练 时，它们无法准确识别肤色较深的人可能会危及生命。 2015 年的一个臭名昭著的例子中 特斯拉的自动驾驶汽车 虽然很可怕，但这些例子并不意味着我们必须对人工智能技术的进一步发展失去所有希望。事实上，工程团队可以使用许多工具来识别和消除数据和算法模型中的偏差，以防止不公正和灾难性的结果。 然而，关键在于团队成员本身的多样性，他们负责构建塑造我们现在和未来的人工智能系统。 建立在种族、性别、性取向、年龄、经济条件等方面具有不同代表性的 AI 团队，可以打造更准确和道德的 AI 系统。处理数据的不同背景的人越多，团队就越有可能在为时已晚之前发现偏见。多样性还可以推动更多创造性思维，并提高您扩展到更大和更广泛市场的能力。 如何聘请更多元化的 AI 团队 就目前而言，科技公司严重缺乏多样性。  发现，在领先的科技公司，只有不到 5% 的员工是黑人或拉丁裔。与此同时，美国人口由 13.4% 的黑人和 18.4% 的拉丁裔组成。 AI Now Institute 2019 年的一项研究 对这些差距的解释可以归因于多种因素——包括少数族裔学生和潜在求职者面临的历史和结构性障碍。 数据显示，多达 80% 的黑人、拉丁裔、土著、第一代和低收入学生在开始计算机科学学位课程时辍学。 使用这些数据，我们选择在学生发展轨迹的关键点进行干预——在他们大学的早期——并构建编程以支持他们对计算机科学的持续投资，并最终成功获得学位以及进入有竞争力的实习和全面-time 技术软件角色。 至关重要的是，培养实践技能、联系和信心的带薪实习应该在学生的早期和整个学习过程中进行。 这些早期实习的目标是专为正在升起的大三学生设计的，旨在为许多代表性不足的学生提供技术经验，并在他们决定辍学或转专业之前在他们的大学生涯早期提供支持。 例如，针对人数不足的 CS 学生的卓越技术暑期实习 已经取得了成功，近 86% 的 2021 年毕业生获得了大三的带薪实习机会。另一个名为 的预实习计划将于 6 月开始，首批 25 名预实习生将陆续推出。 (SITE) 计划 Futureforce Tech Launchpad 这些公司以及更多公司将是塑造我们正在涉足的人工智能未来的一些领导者，这就是为什么他们在产品团队中采用多元化至关重要。 但即使一家公司不直接从事人工智能工作，他们也可能 ，这意味着可能会不断地嵌入到用于评估潜在人才的软件中。 将其用于招聘 这只会进一步表明需要更多以人为本的桥梁 - 培养关系并提供指导 - 在坚实的代表性不足的工程候选人和工作的技术专业人士之间。 人工智能无处不在。除非我们开始有意招募更多不同的团队来设计和建造它，否则我们将继续看到这项技术对我们的世界产生的问题和危险影响。 然而，通过跨部门合作——将大学、科技公司和其他非营利组织聚集在一起——我们可以重塑通往科技劳动力的渠道，也许开始通过我们建立的人工智能的镜子看到一个更加公平的世界.

Google

Tesla

Read My Stories

該音頻是用故事的原始語言製作的！

为什么竞争性 AI 角色的更多多样性需要重塑实习管道

About Author

註釋

標籤

这篇文章刊登在

Related Stories

扬帆起航：利用数据湖开发生产级 RAG 应用程序

成功云迁移的完整指南：策略和最佳实践

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

Claude Sonnet 3.5 系统提示泄漏：法医分析

扬帆起航：利用数据湖开发生产级 RAG 应用程序

成功云迁移的完整指南：策略和最佳实践

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

Claude Sonnet 3.5 系统提示泄漏：法医分析

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps