應用

技術

物聯網世界 >> 物聯網新聞 >> 物聯網熱點新聞
企業注冊個人注冊登錄

人臉識別的膚色性別偏見背后,是人類自己的偏見

2019-11-11 09:11 全媒派

導讀:為何有時候,算法眼中的你處在可男可女的模糊地帶?進一步講,性別之外還有哪些偏見?為了應對這種狀況,我們可以做些什么?

人臉識別,面部識別,數據層,AI

圖片來自“123RF”

皮尤研究中心的一項最新研究發現,Facebook 的新聞圖片中,男性出現的頻率是女性的兩倍,且大部分的圖片是關于男性的。

考慮到當下有 43% 的美國成年公民主要通過 Facebook 獲取新聞資訊,皮尤研究中心使用機器視覺測試了 2018 年 4 月至 6 月期間 17 個全國性新聞媒體在 Facebook 上所發布新聞圖片的性別比例情況。測試算法最終識別出了 53067 人,其中女性占 33%,男性占 67%,差距懸殊。但在現實生活中,美國人口的性別比例大致是均衡的。

那么,是誰在「扭曲」兩性?

本期全媒派綜合皮尤研究中心以及 MIT 媒體實驗室科學家 Joy Buolamwini 的研究發現,走近人臉識別下兩性的比例失衡現象,一起探究:為何有時候,算法眼中的你處在可男可女的模糊地帶?進一步講,性別之外還有哪些偏見?為了應對這種狀況,我們可以做些什么?

人臉識別下的性別失衡

皮尤的這份報告指出,在 Facebook 上不同類型的新聞報道中,女性在圖片中的「在場」情況始終低于男性。在與經濟有關的帖子中,只有 9% 的圖片為純女性內容,與此形成鮮明對比的是,純男性圖像占到了 69%。女性在娛樂新聞圖片中擁有更多展示機會,但總體上仍低于男性。

你也許會為女性身影的稀少而感到疑惑,這在一定程度上和更大的社會現實相關。比如,在關于職業足球隊的新聞報道中,識別出的圖像大多都是男性;在針對美國參眾兩院(女性占比為 25%)的報道中,識別出的女性面孔當然要比男性少得多。

拋開這些顆粒度更小的細節不談,這份研究仍然揭示了一些值得警覺的現狀:在 Facebook 新聞圖像中,男性比女性更為突顯;在兩人或更多人的群像中,男性往往比女性多。同時,男性會占據更大的視覺空間。

研究人員還測量了圖像中女性面部與男性面部的大小情況(目前的技術只能捕捉人臉的大小情況,忽略了頭發、珠寶和頭飾等因素的影響)。結果顯示,男性面孔平均占到的圖像面積更大,這種差異導致圖像中男性平均面部尺寸比女性大出了 10%。在 Facebook 的圖像中,這表現為男性人物能給讀者帶來更大的視覺沖擊。

具體來看,在涉及經濟相關的帖子中,女性面孔的平均尺寸比男性小 19%,但在娛樂相關的內容中,女性面孔的平均尺寸比男性大 7%。

像面部識別這樣的機器視覺工具,正被越來越廣泛地應用在執法、廣告及其他領域,對性別的識別,是其基本功能之一。

機器學習的確可以極大地提高我們處理數據的效率,但與傳統的計算機程序不同,機器學習遵循一系列嚴格的步驟,它們的決策方式在很大程度上隱而不顯,并且高度依賴于用來訓練自身的數據。這些特點可能導致,機器學習工具產生更難以被人理解和提前預測到的系統性偏差。

從這個角度看,皮尤研究中心用一個簡化的實驗,展示了用于訓練算法的數據是如何將隱藏的偏差、意外的錯誤引入到了系統結果中。研究人員表示,隨著算法正在人類社會中發揮越來越重要的決策影響力,了解它們的局限、偏差具有重要意義。

「偏見」帶來了什么?

最近,包括圖靈獎獲得者 Yoshua Bengio 在內的 26 位 AI 領域頂尖研究者,在一篇公開博文中要求亞馬遜立即停止向警方出售其人工智能服務 Amazon Rekognition。亞馬遜云計算部門前首席科學家 Anima Anandkumar 等人也加入了這一聯合呼吁。

此前,多倫多大學的研究人員 Deborah Raji 和麻省理工學院媒體實驗室的研究人員 Joy Buolamwini 撰寫了研究報告,指出亞馬遜的 Rekognition 在檢測圖像中膚色較深的女性性別時,要比判斷膚色較淺男性性別的錯誤率高得多。該研究成果也得到了學者們的支持,但亞馬遜曾對兩人撰寫的這篇報告及研究方法提出過異議。

Joy Buolamwini 主導了一個名為 Gender Shades 的 AI 研究項目,在研究了各個領先科技公司的面部識別系統后發現,所有系統在識別男性臉孔上表現更佳,所有系統在識別淺色臉孔上的準確率更高。深色皮膚女性的平均識別錯誤率高達 35%,深色皮膚男性的為 12%,淺色皮膚女性為 7%,淺色皮膚男性的錯誤率不超過 1%。

面部識別系統的「偏見」可能帶來什么?

「不管其正確性如何,面部識別技術都可能被濫用,」Joy 說道。準確或者不準確地使用面部識別技術對他人的身份、面孔、性別進行分析,都可能侵犯到他人的自由。比如,不準確的識別可能會使得無辜者蒙冤,受到執法人員的無理審查,這并不是假想的情況。英國非盈利組織「老大哥觀察」(Big Brother Watch UK)曾發布一份報告,強調倫敦警察廳使用的面部識別技術有超過 90% 的性別識別錯誤率。去年夏天,英國媒體報道了這樣一則新聞,一名年輕黑人男性因為面部識別技術失誤,被誤認為嫌犯而在眾目睽睽之下遭到警方搜身檢查。

一份被泄露的報告也顯示,IBM 為執法機構提供了技術,能夠根據頭發顏色、膚色和面部特征等搜索視頻中的人物。這一消息,引發了人們對警方將利用該技術關注特定種族的擔憂。

為了減少搜索人臉所需的時間,執法部門正在大量使用性別分類。如果需匹配人臉的性別是已知的,通過簡單的二分法,就可以大量減少需要處理的潛在匹配數。性別分類正廣泛應用到警務活動中。

當這些有偏差的識別系統被廣泛應用到社會生活中,就可能導致更糟糕的后果。

在 TED 演講中,Joy 和大家分享了一個小故事:

在同樣的光線條件下,面部識別系統只能檢測到淺膚色的參與者;只有戴上白色面具,才能檢測出深膚色的參與者。「在人工智能工具確定人臉的身份或者辨別表情信息前,最基本的前提是,檢測出人臉。但是,面部識別系統在檢測黑皮膚個體上,屢次失敗。我只能安慰自己,算法不是種族主義者,是自己的臉太黑了。」Joy 說道。

偏差來自哪里?

如果對比開發者自己聲明的準確率和研究者們的研究結論,會發現一個有趣的事情:公司發布的數據和獨立第三方的外部準確率總是有所出入。那么,是什么導致了這一差異?

Joy 提醒我們關注基準數據集的偏差。「當我們討論面部分析技術的準確性時,是通過一系列圖像或者視頻測試來完成的。這些圖像數據構成了一個基準,但并不是所有的基準都是平等的。」

亞馬遜相關負責人表示,該公司使用了超過 100 萬張面孔數據作為基準來檢測產品的準確率。但是,不要被這個看起來很大的樣本迷惑了。「因為我們不知道基準數據的詳細人口統計學數據。沒有這些信息,我們就無法判斷,是否在基準選擇上,就可能埋下了種族、性別或者膚色等偏見的可能。」

Facebook 曾宣布,在名為 Labeled Faces in the Wild(簡稱 LFW,為世界上人臉識別最知名的數據集之一)的數據集測試中,自己面部識別系統的準確率高達 97%。但當研究人員查看這個所謂的黃金標準數據集時,卻發現這個數據集中有近 77% 的男性,同時超過 80% 是白人。

為了在數據層就盡最大可能地剔除偏差,Joy 提出,應當構建更具包容性的基準數據集。為了平衡基準數據,她列出了世界上婦女在議會所占比例最高的十個國家,其中盧旺達以超過 60% 的女性比例領先世界。考慮到北歐國家和少數非洲國家具有典型代表性,Joy 選定了 3 個非洲國家和 3 個北歐國家,通過選擇來自這些國家年輕、深膚色的個體數據來平衡數據集中的皮膚等類型。

正是基于這個更平衡的數據集,他們對亞馬遜、Kairos、IBM、Face++等公司的面部識別系統進行了重新評估。在 2018 年 8 月的研究中,他們發現,亞馬遜和 Kairos 在白人男性識別工作上表現優秀,但亞馬遜對有色人種的女性面孔識別的準確率很低,僅為 68.6%。

Joy 表示,現實世界中的臉部識別要比實驗檢測更為復雜和困難,他們建立的基準數據集也并非完全經受得住考驗,「但這就好比跑步比賽,在基準測試中的出色表現,起碼能保證你不會剛起步就摔倒。」

即便在同樣的基準下,面部識別系統的準確度數字可能也會發生變化。人工智能并不完美。在這種情況下,通過提供置信度給用戶更具體的判斷信息是一個有用的做法。

面部識別技術已經被廣泛地應用在大規模監視、人工智能武器化和更多的執法環境中。但是,這項強大的技術是在沒有得到充分監督的情況下,快速發展著。

為了減少對面部識別技術的濫用,算法正義聯盟 (Algorithmic Justice League) 和隱私與技術中心 (Center on Privacy & Technology) 發起了「安全面孔承諾」(Safe Face Pledge) 活動。在目前,包括亞馬遜在內的很多科技公司尚未加入這一承諾。「根據我們的研究,貿然向執法部門或者政府機構出售面部識別系統將是不負責任的。」作為算法正義聯盟創始人之一的 Joy 希望,在未來,更多的機構能加入到「安全面孔承諾」,能夠負責任地、符合道義地為面部分析技術的發展付出行動。

畢竟,算法偏見的背后,其實是我們人類自己的偏見。


腾讯分分彩稳赚规律技巧