影音視訊網愛 www.38kky.com

【台灣醒報記者宋秉謙綜合報導】足壇也要迎來「抱團」盛事？世足冠軍前鋒格里茲曼被傳將加盟巴塞隆那。西甲近2年的前二都由巴塞和馬競穩坐，馬競前鋒格里茲曼15日已向球隊確認，下賽季將不留隊；同時，傳出巴塞欲掏1.25億歐元，與這位世界最強影子前鋒簽約5年，未來西甲很可能變成球王梅西與格里茲曼聯手獨大。根據《西班牙馬卡報》報導，馬競一哥、法國國腳「格子」格里茲曼15日正式向球隊確認，下個賽季不打算留隊，將告別效力5年的馬競。28歲、正值顛峰時期的格子暗指，他將前往在歐冠賽場更具競爭力的球隊，為了冠軍而轉隊，一度被球迷猜測落腳地會是西甲傳統雙雄巴塞或是皇馬。而外媒15日傳出風聲，巴塞已準備好花費1.25億歐元付清格子的違約金，並打算與格子簽下5年長約，讓這位世界最頂級的影子前鋒能夠填補該隊前鋒蘇牙和中場球王梅西之間的空位，畢竟巴塞4年內已3度在歐冠被逆轉淘汰，而馬競雖在近6年內打進2次歐冠決賽，卻都以亞軍告終，難以更進一步，這2隊都想尋求改變的心態不難理解。據《ESPN》報導，馬競在失去格子後，顯然要進入重建期，除了格子以外，後防定海神針戈丁也因年事已高、確定會離開球隊，而法國年輕國腳邊衛盧卡斯夏季也將轉投德甲豪門拜仁。其他近年來備受倚仗的球員包含雙邊衛菲利佩和胡安夫蘭、被各豪門爭搶的羅德里等人也都可能離隊，馬競下賽季應該得重組。一旦馬競重組、皇馬尚未從C羅離隊後找出接班人，西甲很可能變成巴塞獨大，精彩度恐下降，況且，外媒也質疑，格子雖已在馬競與法國國家隊證明自己身手，但在眾星雲集的巴塞能否得到一定時間的出賽是關鍵，過往也有巴西天才中場「酷弟」庫提尼奧在世足與利物浦都表現良好，但一轉到巴塞後就「水土不服」，被球迷戲稱為水貨，格子得先想好如何不重蹈覆轍。

「端午節」又稱「詩人節」，彰化縣文化局為提倡詩歌人文情懷，6月1日、本週六下午，在鹿港「文武廟」以「半線詩歌磺溪情」為題，盛大舉辦「2019彰化詩歌節」吟唱表演活動，邀請鄉親前來賞玩詩詞文學的心意境。（李河錫報導）在各界歡喜端陽之際，彰化縣文化局為了喚起各界也重視「端午節」也是「詩人節」的情懷，將擴大舉辦「2019彰化詩歌節」吟唱系列活動；縣府文局長張雀芬表示，為了展現「詩歌」文學的多樣性，特別創新和多元藝術相結合，首度邀請在地文學家蕭蕭、林武憲和康原前來吟唱(頌)個人詩作，並和彰化藝術高中、鹿鳴國中、洛津國小附設幼兒園合作，融入現代舞、國樂、吟唱律動等同台演出；此外還邀請鹿港國中演奏南管雅樂，搭配鹿江詩書畫學會前來揮毫、音樂歌手吳志寧演唱改編的詩作歌曲，精彩的表演熱鬧可期。主辦單位，還邀請2018彰化詩歌節比賽冠軍「和美國小」前來表演得獎詩歌、明道大學古琴與茶道共演東寧樂府；還有古典詩臺語朗誦比賽冠軍黃菁珊、陳潔民和彰化縣詩學研究協會、青山詩吟社、彰化縣文開詩社、彰化縣國學研究會、彰化縣儒林社區文教協會、彰化縣學士吟詩學會、聚英社南樂團等，結合南管、吟唱、茶道等充分展現豐富多元的藝術之美。（翻攝：李河錫）

斥資兩億五千萬元整建的新竹市立動物園，由於工程延宕，原本去年就要完工，但工期落後，導致今年又有十八隻動物死亡，加上去年死亡的廿一隻動物死亡，總計有卅九隻動物死亡。新竹市議會在考察動物園工程時，也希望市府要掌握工程進度和品質。動物園則強調，「動物折損10%以下都屬合理範圍內」。（彭清仁報導）新竹市議會與新竹市政府團隊，在市政考察中，視察「新竹公園再生計畫工程」，並了解動物園改建進度，尤其是新竹公園和動物園內的歷史建物和古物，務必要小心維護。確認未來動物園要確實做好票價分級機制，掌握品質和維護觀光品質。對於市立動物園工程進度落後，原本去年底之前就要完工，卻延宕至今，導致今年以來，又有十八隻動物死亡，連同去年的廿一隻動物死亡，總共有卅九隻動物在改建期間死亡。市立動物園長楊家民則表示，每天都有一位獸醫師與六位保育員，一起照顧動物的生活起居，動物跟人類一樣也會面對生老病死，加上還有因打鬥傷亡，因此動物死亡率在10%以下都是在合理範圍內，動物園已盡最大努力在照顧動物，這兩年包含綿羊等共有廿隻動物寶寶新生，都在期待今年底之前回到新家。市府也表示，今年八月底會以試營運方式，小幅度開放給團體預約，整個動物園開放的時間，則是在年底之前，採委外經營，門票也採分級制。

中國時報【報導李承陽】由五月天怪獸、石頭、瑪莎、冠佑、阿信領銜主演的電影《五月天人生無限公司》，5人化身具有超能力的救世英雄，組成一支菁英戰隊「第五分隊」衝鋒陷陣對抗邪惡勢力，其實在開拍某天，劇組就遇上颱風來襲，所有人發揮戰隊精神，冒著風雨前往片場拍攝。其中飾演英雄Lonely Stone的石頭，當天還吊鋼絲拍攝武打戲碼，尤其是戴上黑色眼罩時，為不讓眼皮穿幫，眼睛四周得塗上黑色顏料，沒想到顏料熏眼頻流淚，但他都堅持親自上陣不用替身，相當敬業。同樣為了打戲，怪獸在開拍前特地去上武術訓練課，在片中化身紅色盔甲身手矯健的Mr. Monster，每次拍攝都得花費將近1小時著裝，導演陳奕仁說：「盔甲一穿起來，每次看怪獸在現場，他都不能坐下來休息，只能跪下來休息。」讓怪獸忍不住再抱怨：「也不能上廁所！」大陸香港票房亮眼電影在大陸預售票房成績排名同檔第一，預售首周末破千萬台幣，在香港預售8場供不應求，更是加場連加到76場，新加坡、馬來西亞等地預售票房成績亦十分亮眼，視覺設計陳彥志表示，除燈光和舞台機關之外，又加入了LED屏幕及兩邊舞台延伸的效果，聲音總監黃士杰則攜10人團隊赴好萊塢親手操刀，帶來64聲道的聲音細膩設定，高解析度高音質環繞音效，於3D、4DX影廳帶來全新體驗。電影24日在台上映。

工商時報【王淑以╱台北報導】台股將發放1.43兆現金股息，整體台股現金殖利率高達4.17％，在國際間排名前段班，優於英國、香港、美國及日本等國家的股市，高殖利率將成為台股亂世中的護身符，建構馬其諾防線半年線的防守支撐因子。台股2018年上市櫃公司稅後盈餘2.2兆元，年增0.14％，將配發出1.43兆現金股息，預計在2019年6∼7月間陸續發放給股東。24日台股集中市場及櫃買市場總市值合計34.26兆，以將發出1.43兆現金股息計算，現金殖利率高達為4.17％，只要匯市穩定，台股是長線資金的優質首選。台股指數因中美貿易戰往下修正7.44％，跌了768點，24日收在10,328點，已跌破年線，下方的半年線，被市場視為台股的馬其諾防線必須防守住。台股資深分析師杜金龍表示說，10,189點及10,148點往上100點是台股支撐區，也是10,300點，剛好台股在上周四最低點為10,289點，差53點就摸到半年線10,236點。杜金龍說，10,189點台股2018年2月高點11,270點急跌到2月9日10,189點止跌，10,189點為強力支撐區。再者10,148點是2018年10月股災後反彈至12月初的頸線位置10,148點。杜金龍表示，台股有三組特殊密碼就是9,300點（本波波點9,319點）、10,300點（上周四低點10,289點）及11,300點（去年2月高點11,270點），10,300點是強勁的支撐區。以波浪理論推算，杜金龍表示，2019年6月及7月將反彈，同時台股有逢「9」必漲的歷史軌跡，今年是總統大選選前，台股會有反彈空間。杜金龍也說，台積電將發放2,074億元現金股息，6月下旬正式引爆重量級企業除權息行情序幕，整體台股上市櫃公司將發出1.43兆現金股息，指數預計蒸發430點，依據往年上市櫃公司派對於股價何時填息相當在意且也著墨較深，都有助於台股止穩及緩步走揚，同時現金股息發放後將有望回頭加碼股市，成為市場資金「新勢力」。

人類乳突病毒（HPV）傳染性強，婦產科醫師陳保仁今天表示，HPV感染非女性專屬，男性也可能被感染，導致癌症及皮膚病，且傳染途徑也不只性行為。台灣婦產身心醫學會理事長陳保仁在台灣癌症基金會記者會中表示，不少人認為性行為較活躍的族群才可能感染HPV，但民眾對HPV有迷思，包含認為有安全性行為就不會感染、HPV只會導致子宮頸癌、只有女性須預防。陳保仁表示，HPV感染力強，人一生中被感染機率高達八成，研究也指出，只要有親密接觸，即使性生活單純的人也有可能互相傳染，幾乎每兩對情侶、夫妻就有一對會感染。此外，陳保仁說，長期免疫力低落也可能增加HPV的感染風險，若長期持續感染，便可能導致多項癌症及皮膚病等病發生。常見癌症包含子宮頸癌、外陰癌、陰道癌、陰莖癌、肛門癌、口咽癌、食道癌、呼吸道癌症等；皮膚病變如菜花（尖型濕疣）、皮膚疣、扁平疣等。根據台灣癌症基金會網站資料，HPV雖然病毒型號高達上百種，但大部分不具傷害性，會藉著自身免疫力清除，但若持續感染特定型別病毒，就有染病風險。台灣癌症基金會副執行長蔡麗娟表示，台灣每天有四位女性被宣告得到子宮頸癌，每五位子宮頸癌前病變，就有一位是廿至卅四歲年輕女性，呼籲民眾注意安全性行為，並施打HPV疫苗及定期抹片檢查，才能遠離疾病威脅。2019健康大賞【大調查】你給自己「免疫力」幾分？【推薦】五月健康大賞：名人推薦保健清單【推薦】守護家人健康：人氣保健商品專區【新聞專題】免疫力失調！全身疾病冒不停

聖約翰科技大學為幫助五專學生畢業即就業，電子資訊科參與教育部「五專展翅計畫」，在多家校友企業協助下，提供學生校外實習機會。專四及專五學生不但可以獲得學費及雜費全部免費的優惠，專四學生每個月更能領取產業界補助6,000元的生活獎學金。因為提前適應業界環境及卡位職場，畢業後立即擁有工作機會，堪稱是CP值最高的選擇。聖約翰科大電子資訊科周允仕主任表示，聖約翰科大前身是新埔工專，畢業校友遍及各產業，大部分都已經企業主或是高階主管，成為學弟妹實習就業最好的人脈資源。在教育部推出「五專展翅計畫」後，陸續有撼訊科技（TUL）、金芯科技、志堃實業、造隆公司、茂迪公司及德凱認證等企業提供工作機會給聖約翰電子資訊科五專學生，未來更有信昌機械、樺漢科技及瑞祺電通等企業將於暑假期間提供學生實習機會，學生們能領到比基本工資還多1,000-2,000元的實習津貼，校友學長姐對學弟妹的厚愛可見一斑。周允仕主任指出，該科吳振宇與陳聖鎧兩位同學專三下學期透過學校媒合，面試後獲全球知名顯示卡大廠撼訊科技錄取，專三升專四暑假先實習，專五將以全職員工身分提前進入職場。對於兩位學生來說，展翅計畫對他們提供很多的幫助會，不但能獲得撼訊科技每月提供的生活獎助金，減輕家中經濟負擔，更能夠透過實習提前接觸職場，了解業界的狀況，從中累積自己的經驗與能力，把自己準備得更好。未來畢業後不但能夠擁有工作機會，更能就業即上手，對他們來說，真是很棒的學習經驗。周允仕主任說，「五專展翅計畫」由學校把關，系主任先將各家公司基本資料提供給參與同學，再讓學生依照個人興趣，選擇希望工作的公司，填寫履歷表後，由系主任或系上老師陪同前往面試。最近許銀堆老師帶領4位學生前往造隆公司面試，4位同學均獲得錄取，其中，吳泓毅同學已經獲聘提早於6月至研發部RD實習。他非常感謝這些校友企業願意共襄盛舉，提供聖約翰電子資訊科學生實習及工作，希望同學能夠好好珍惜學習機會，努力把自己準備好，電子資訊科保證你畢業即就業。更多新聞推薦● 府城登高賽千人爭冠 1歲小選手史上最小參賽紀錄

總獎金高達近15億台幣的法國公開賽，將在26日開打，台灣選手們正在積極備戰，希望有最好的表現。一姐主場優勢  澳洲教練坐鎮台灣一姐謝淑薇近2年將訓練基地移往巴黎，因此法網比賽對她來說，有種回家的感覺。謝淑薇今年一樣是單雙打雙線作戰。為了這次法網大賽，平常單兵作戰的謝淑薇，特別找來前澳洲教練保羅坐鎮。謝淑薇這幾天並且到法網新蓋的球場適應場地。 今年法網新蓋好的球場(臉書)謝淑薇去年法網單雙打都在首輪慘遭出局，因此今年採取新策略，減少法網前的比賽站數，養精蓄銳，避免受傷，將全部精力投注在法網大賽。謝淑薇法網單打歷年最佳成績是2017年打進32強；雙打方面，2014年和彭帥搭檔贏得冠軍。雙詹退出史特拉斯堡賽 全力備戰法網詹詠然和詹皓晴姐妹今年搭檔參加法網女雙，姐妹為了全力備戰法網，臨時退出本周的法國史特拉斯堡網賽。大小詹今年法網前，只參加了兩站紅土比賽，馬德里大師賽第一輪就出局，羅馬大師賽則打進了4強。 台灣網壇姐妹花詹詠然 (右)和詹皓晴。(臉書)去年法網，詹詠然和詹皓晴分別出擊。詹詠然女雙32強就出局，混雙則大有斬獲，贏得首次冠軍；詹皓晴雙打進4強，混雙32強。今年姐妹雙打合體，另外也預計參加混雙，希望今年有更好的成績。梁恩碩會外賽打起  謝政鵬等候佳音台灣網球小將梁恩碩。(圖：梁恩碩臉書)除了參加會內賽的謝淑薇、詹詠然和詹皓晴外；剛轉入職業賽不久的梁恩碩將從女子單打會外賽打起；另外，男子雙打的謝政鵬則等待法網公布參賽名單，希望能擠進會內賽。原始連結

國軍將在廿七至卅一日執行漢光實兵演習，規劃戰機在國道一號彰化戰備道起降。高公局已在戰備道路段重新劃設標線，演習期間，上千個中央分隔島及一百多盞路燈、標誌都將暫時移除。高公局日前也公布這次漢光演習期間，彰化員林路段封閉及車輛改道資訊。高公局中區養護工程分局長彭煥儒表示，配合國軍漢光演習，還有一項很重要的工作，就是要將戰備道路段的中央分隔島、路燈及標誌全部移除，避免妨礙戰機起降。高公局統計，這次配合漢光演習，彰化戰備道共暫時移除一三七五個分隔島護欄、一一一盞路燈、七十七面標誌牌。彭煥儒說，國道一號各戰備道長度約近三公里，國軍演習前，路面都要先刨除後重新劃標線，一般刨除的厚度是兩公分，這次彰化戰備道路段原計劃明年要大整修，利用這次演習機會提前一年進行，路面刨除約七公分。國道戰備跑道路段因應演習重新劃設的標線，主要針對戰機起降需求，例如這次國道一號彰化戰備道路面出現巨大的「○一」與「一九」符號，高公局表示，這是跑道名稱，提供飛行員有關跑道方位資訊。至於國道上戰備道承載戰機的強度，彭煥儒說，絕對沒問題，F-十六戰機最大起飛重量約十九‧二噸，幻象兩千約十七噸，較一般可上國道通行約卅五噸載重的大貨車輛還輕，不過，戰備道的道路鋪面材質耐熱度較國道其它路段高。【中央社台北廿六日電】國軍三型主力戰機廿八日將在彰化國道中山高彰化戰備道起降，由於氣象局預報當天恐有雷雨發生，軍方人士今天指出，已備妥三個方案、並增減演練課目，為求安全，也有可能停止演練。漢光卅五號演習為國軍年度重大演訓，分為「電腦輔助指揮所演習」及「實兵演習」。國防部指出，電腦輔助指揮所演習已在四月廿二日至廿六日實施；實兵演習部分，廿七日至卅一日以實兵、部分實彈方式執行，三軍部隊採聯合實兵對抗模式，防衛軍依整體防衛構想，並整合全民總力，在台灣海、空域及本、外島、離島等防衛作戰地區，執行五天四夜聯合作戰攻防對抗。此次演習一大亮點，便是國軍三型主力戰機（F-十六、幻象兩千、IDF經國號）將在國道中山高速公路的彰化戰備道進行起降操演，這也是繼民國一○三年民雄戰備道後再次進行演練，更是總統蔡英文任內的首次戰備道演練。軍方人士接受訪問時指出，根據中央氣象局預報，明天、廿八日彰化地區恐有大雨、雷雨發生，因此空軍已準備好三個方案，並視情況增減演練課目。他指出，這三個方案分別是「天氣符合標準就會落地」、「若下雨造成跑道溼滑，戰機採不降落但低空掠過」及「雷雨發生，不符安全戰機不會進場」。

編者按：隨著人工智能的普及，其背後不断發展的智能算法也在各種決策中發揮著越來越重要的作用。然而，就算法理解、使用實踐、自動化決策中快速滲透的偏見甚至缺乏透明度和問責制等方面問題，仍然尚存爭議。前不久，就有媒體爆出，亞馬遜自己研發的人工智能簡歷篩選系統，就存在“偏見”，並且會自動過濾女性求職者。人工智能偏見到底是怎麼一回事？著名分析師Benedict Evans專門針對這個問題發表了一篇題為Notes on AI Bias的文章，希望對你有所啟發。圖片來源：DigitalOcean如今，機器學習是科技領域重要的基本發展趨勢之一。在未來十年，要通過科技更廣泛地影響和改變人類世界，機器學習也是非常主要方式之一。然而，機器學習也讓人產生了不少顧慮。有人擔心它對人類就業會帶來潛在的不利影響，也有人擔心過度依賴機器學習可能會觸及人類的道德底線，當然也有人討論人工智能偏見所帶來的一系列問題，這些問題一點都不簡單，這也是這篇文章討論的重點。什麼是人工智能偏見？原始數據既是一個矛盾體，又是一個壞點子。所以，我們應該精心處理並分析這些數據。——傑弗裡·博克爾（Geoffrey Bowker）在2013年之前，如果你想開發一個軟件系統，並用它來識別照片中的貓，你可能只有通過寫程序的方式來實現這個目的。在程序腳本中，你可能需要關注的是如何識別並分析圖片中的動物輪廓、眼睛以及動物皮毛。此外，你還需要關注這些動物有多少隻腿等等。然後再把所有的因素綜合一起考慮。然而，這樣的程序實際上並沒有多大的用處。從概念上來說，這就好比製造一匹機器馬一樣。從理論上來說，的確行得通。然而實踐起來，卻又是另一回事，你會發現事情的複雜性，要比你想像的難得多。最後，你有可能寫了成百上千條腳本程序，也沒有得到任何有用的結果。借助機器學習，我們就不再需要親自寫腳本程序來識別X或Y。相反，機器學習的做法是，通過收集上千個樣本X和Y，並基於這些樣本的有關數據通過電腦對其建模。然後，該數據模型就會產生具有一定精準性的全新數據點，同時可以識別其是否符合所有的X或Y樣本的特徵。機器學習需要借助數據來建模，而不是通過人工寫這個模型程序。這種方式生成的結果高度精準，特別是用於識別或模式發現等情況下。因此，整個科技領域如今都在往機器學習方向發展。不過，有一個問題也值得我們關注。在現實社會中，上千個（甚至上萬、上百萬個）樣本X和Y中，同樣還包括A、B、J、L、O、R和P。它們可能沒有平均地分佈，從而系統可能會更加“關注”L和R，而稍微“忽視”了X。這在實踐中又意味著什麼呢？我可以通過自己喜歡的例子來說明。圖象識別系統會傾向於分析一張滿是綠色草地的山丘，然後識別出山丘上的綿羊。多數“綿養”的樣本照片背景中，都有綠色草地。畢竟，這是羊群通常生活的地方。而這些照片樣本中，相比於白色茸毛狀的綿羊，綠色草地則會顯得更加突出和明顯，所以整個圖象識別系統就會把對草地的權重加高，從而更“關注”草地。圖片來源：Cubix如果要用更“嚴肅”的案例，就不得不提到最近一項關於通過照片識別皮膚癌症的項目。在這個項目中，皮膚病專家把患有皮膚癌症的照片樣本拿來研究，通過對圖象的不斷放大併進行局部結構分析，從而讓系統不斷熟練地識別皮膚癌症的標記。但實際上，健康皮膚的照片樣本中根本都不存在他們想找到的局部結構。對這套系統而言，這些局部結構（或者可以理解為一格格像素）是分析並設別皮膚癌症的關鍵，有的情況下它們比皮膚上的小紅斑點還明顯。因此，與其說這個系統是用來識別皮膚癌症的，不如說它是用來識別這些局部結構的。值得注意的是，機器學習背後的系統，實際上並不瞭解我們所觀察事物背後的語義。我們可以通過識別並理解照片上的一格格像素，從而識別出那隻羊、皮膚或者其局部結構，但系統能識別出的卻只是一串列數字。它無法看到3D景象，或各種物體和其結構，當然也看不到那隻羊。它只能看到的是各種數據模式。此外，另一個具有挑戰的事情是，機器學習系統生成的模型（即神經網絡）包含了不計其數個節點，但我們卻無法直接深入模型內部並瞭解它到底是如何做出決策的。否則，機器學習根本就是多餘的，我們也許可以直接通過寫腳本程序來解決這個問題。很多人總是擔心，機器學習就像一個黑匣子（不過，這個觀點的確有點誇大其詞。後文還會進一步闡述）。簡言之，人工智能偏見（或者機器學習偏見），實際上是某個尋找數據模式的系統可能會找到錯誤的模式，而我們人類還有可能不會察覺這個錯誤。它是這項科技的核心附帶品。無論是在學術界還是大型科技公司，研究和使用這項科技的人都瞭解這個事實，但其影響卻是非常複雜的，而我們可能應對的解決方案，也同樣沒那麼簡單。首先，先談它的影響。圖片來源：Health Catalyst人工智能偏見的場景提到人工智能偏見，最明顯也最直接出現這種情況的場景就是涉及人類多樣性的場景。據前段時間的報導稱，亞馬遜嘗試建立一套機器學習系統，從而來篩選求職者的簡歷。因為亞馬遜現有成員以男性居多，所以這套系統所挑選的符合標準的“合格候選人”畫像也更偏向於男性，所以在挑選建立過程中就自動過濾掉了很多女性求職者。亞馬遜隨後發現了這個問題，後來也沒有再繼續開發這套系統。這個案例的關鍵點在於，即便求職者簡歷上並沒有標明其性別，系統在自動篩選過程中仍能偏向於男性求職者。之所以導致這樣的結果，是因為系統能夠從樣本數據中進行模式分析，比如女性在描述個人成就的時候會使用和男性不同的詞彙，又或者女性在學校參加的體育運動和男性也不同。當然，系統肯定不知道什麼是冰上曲棍球，不知道人類是什麼，當然也不知道什麼是“合格”，它可以做的，只不過是對文本進行數據分析罷了。然而，系統可以分析的數據模式，我們人類卻並不一定可以注意到。即便我們注意得到（比如我們所知的不同性別在描述個人成就方面所選詞彙的不同），我們可能也會因此耗費大量精力和體力。當然，人工智能偏見的場景遠不止於此。擅長通過蒼白皮膚識別皮膚癌症的機器學習系統，可能根本無法識別顏色較深的皮膚上可能存在的皮膚癌症，反之亦然。這並不是因為系統對樣本有偏見，而是我們可能需要針對不同樣本而建立不同的分析模型，從而找出不同的特徵。機器學習系統也並不是可以互通交換使用的，即便是圖象分析這種同類型的應用當中。你必須對這套系統結構進行不斷的調整，有時候為了識別你感興趣的數據其固有特徵，還需要不斷地試驗和試錯，從而達到期望的準確率。然而，你可能無法覺察到的是，這個系統在識別某個群體樣本時準確率可能達到98%，但識別另一個群體樣本的準確率卻只有91%（即便這個準確率仍然比人工分析的準確率還高）。目前我列舉的案例都是以人物或者其有關特徵為主。但更重要的是，人工智能對人的分析偏見實際上是某個大問題中的一個子問題。我們會用機器學習來分析很多事物，而樣本偏見則存在於所有的分析之中。因此，如果我們的樣本是人的話，那相關的數據分析則可能存在一定的偏見。圖片來源：SmartData Collective為了更系統地瞭解這個問題，我們可以再次回到之前提及的皮膚癌症案例，並同時考慮以下三種可能被打破的假設情況：樣本人口特徵不均勻：所有樣本照片中，各種膚色的皮膚樣本並不相同，所以系統會基於皮膚膚色做出錯誤的分析判斷。樣本數據包含明顯的非平均分佈的非人類特徵信息，並且毫無診斷價值，但系統卻基於此（樣本皮膚癌症照片中的一格格像素，或者樣本羊群照片中的綠色草地）而不斷進行分析訓練。在這個案例中，如果我們把所看到的像素當作局部結構（實際並不是）來分析的話，結果就可能相差甚遠。數據所包含的某些特徵信息無法被人類察覺發現，即便通過某些特定方法仍然無法發現。那麼，“即便通過某些特定方法”又意味著什麼呢？我們的先驗經驗告訴我們，數據可能會有傾向性地偏向一部分群體，或者至少會有類似的計劃（換句話說，要猜測為什麼數據會偏向一部分群體，其實是因為多種社交因素導致的）。如果我們想要發現樣本照片中的局部特徵，我們是可以看見的。但我們選擇了忽視它，因為我們知道它是不相關因素，但我們卻忘記的是，系統對此卻全然不知。然而，如果所有的不健康皮膚樣本照片都是在白熾燈的照射下拍攝的，但健康皮膚的樣本照片卻都是在螢光燈照射下拍攝的，這又會出現怎樣的情況？如果在拍攝健康皮膚樣本照片和拍攝不健康皮膚樣本照片的間歇期間，你更新升級了手機的操作系統，而蘋果或者谷歌剛好又更新了降噪算法，這又會導致怎樣的情況？這些情況，即便我們投入再多精力，我們可能還是根本無法察覺，但機器學習系統卻可以輕鬆地察覺並利用這些情況。畢竟，它什麼都不知道。此外，在這之前我們一直在討論錯誤的相關性，但數據中其實也有很多非常正確的模式，只不過基於一些道德因素、法律因素或者產品相關的因素，我們並不想利用這些數據模式。在某些司法管轄區域，即便我們知道女性司機的車禍率可能更低，我們也不能因此降低她們的保費。所以，我們就可以輕鬆地假設，可以借助機器學習系統，結合歷史數據並發現看起來像女性名字的被保險人其報保險的機率更低，從而從數據中排除這些名字。但是，就像前文提到的亞馬遜案例一樣，系統也許可以通過其它因素辨別出分析對象的性別（儘管系統可能並不瞭解性別或者汽車等概念），但在瞭解相關數據分析之前，你可能卻全然不知。最後，我們通常都說，目前我們只會利用機器學習系統從事有關人際社交交往的研究和學習，但實際上並不是這樣。如果你是燃氣渦輪機製造商，你可能就會對機器學習系統感興趣。因為借助機器學習，你可以對成百上千個渦輪機感測器實現遠距離測量（通過聲音、振動、溫度以及感測器反饋的其它數據信息輕而易舉地建立機器學習模型）。假設情況下，你可以從中篩選出1000份出現故障即將停止運轉的渦輪機工作數據，同時還可以篩選出另外1000份正常運轉的渦輪機工作數據。然而，你可以以此建立一個機器學習模型，從而分析兩種數據之間的差別。分析相關數據後，假設75%的故障渦輪機都是用的是西門子生產的感測器，而只有10%正常運作的渦輪機使用的是西門子感測器（同時假設故障與感測器無關）。然後，你就會發現，機器學習系統建立的數據模型，就會更加“關注”裝有西門子感測器的渦輪機。圖片來源：Hacker Noon如何管理人工智能偏見？針對人工智能偏見，我們能做的是什麼？首先，我們可以從三個角度來思考人工智能的偏見：收集和管理訓練數據的方法嚴謹性；分析和診斷數據模型行為的科學工具；機器學習實踐過程中的培訓、教育和注意事項。在法國喜劇作家莫里哀（Molière）著作的《貴人迷》（Bourgeois Gentilhomme）一書中，講述了這樣一個笑話：一位男子活了一輩子都不知道文學可以分為詩歌和散文，直到別人告訴他後，他才欣喜地發現，原來他這輩子只接觸過散文。如今的統計學家，也可能有類似的體會。他們這輩子可能都在從事研究工作，但就是沒有意識到“人工智能”和“樣本偏見”兩個不同命題。擔心存在樣本偏見，或者尋找樣本偏見，並不是新問題。只不過，我們需要系統性地對待這個問題。正如前文渦輪機案例所述，在某種程度上，如果只涉及到和人相關的主題，它可能實際上（或者從理論的角度）就會相對簡單一點。因為先驗經驗告訴我們，針對不同群體可能存在一定偏見，但我們沒有意識到的是，我們可能對西門子存在偏見。而更新的觀點是，我們並沒有再直接地對數據進行分析，而是讓機器通過建立我們無法直接分析的超級複雜的模型來完成這項作業。整個過程中，透明度就是與偏見相關的值得考慮的主要問題之一。我們擔心的，並不只是可能存在偏見，而是我們根本無法知道是否存在偏見，這對我們來說是全新的事物，和我們所接觸過的組織機構或自動化流程也不同，所有並沒有可以讓你回顧審查的清晰邏輯步驟。圖片來源：Symmetry Magazine在某種程度上，我們可能可以回顧審查機器學習系統，但要去審查其它系統，則更加困難。因此，這就引出了以下兩個問題。首先，目前關於機器學習的研究主要圍繞借助相關方式和工具，發現機器學習系統中的亮點功能。但機器學習是一個全新領域，相關科學進步速度也非常快，所以我們不應該假設，今天還不現實的事情，明天就一定不現實。馬斯克牽頭成立的AI研究機構OpenAI旗下的這個項目，就是活生生的例證。此外，在現有的系統或組織架構中，我們可以審查並瞭解系統決策制定的這個想法，雖然理論上是成立的，但實踐過程中卻存在很多問題。比如，在一個複雜的組織架構中，要審查並發現決策制定的方法非常困難。也許存在一個正式的決策審批流程，但這並不是人們實際溝通交流的方式，而且就個人決策而言，人們通常也沒有邏輯清晰同時又極具系統性的方法。正如我的同事維傑·潘德（Vijay Pande）所言，人類群體也是黑匣子。在這個黑匣子中，有不計其數的個體，他們縱橫交錯與各種組織和機構中，背後還連帶著著各種數不清的複雜問題。我們事後才知道，宇宙飛船在重返大氣層時會解體，但美國航空航天局（NASA）內部不少人士都認為，後面可能會釀成悲劇，但系統自身卻對此全然不知。同時，NASA之前在損失宇宙飛船後，也經歷過一模一樣的審查流程，但後來卻因為相同的原因，又損失了一艘宇宙飛船。所以，無論是組織機構，還是人類系統，我們可以審查其遵循的清晰邏輯規則，說起來的確簡單，但經驗告訴我們，並不是這麼回事。這就是所謂的蘇聯國家計劃委員會謬誤（Gosplan fallacy）。圖片來源：shutterstock在本文中，我一直將機器學習和數據庫（特別是關係數據庫）做比較。關係數據庫是一項新的基礎技術，它改變了計算機科學中已經證實的事物，同時也改變了宏觀世界，它被運用於各行各業，但我們卻未曾注意到它。但數據庫也存在問題，而且這些問題都有相似的特徵：這些系統可能是建立在錯誤的假設和數據之上，很難分辨，而我們人類在使用過程中，可以不假思索地聽命於系統提示，並且完全不會提出相關質疑。有很多故事都在講，稅務局把你的名字拼錯了，但說服他們修改系統的拼寫錯誤，比你在公安機關申請改名字要難得多。這是結構化查詢語言（SQL）固有的技術問題，還是甲骨文公司（Oracle）的問題，或者是大型官僚機構的制度問題？建立一個所謂的流程，從而讓系統無法修改拼寫錯誤到底有多難？或者在引起民眾投訴之前，發現系統出過類似問題，又有多難？用更簡單的生活實例來講，車載衛星導航系統沒有及時更新，車主跟著導航把車開進了河流中。這裡的問題是，導航系統的確沒有及時更新。但另一個值得關注的問題是，如果這輛車順流漂向海中，那Tomtom公司（荷蘭主營地圖、導航和GPS設備的公司）需要承擔多少責任？通過這些內容，我想說明的是，機器學習出現之前，世界上就存在各種問題，當然有各種解決方案。機器學習偏見也會導致問題，但同樣也是可以發現和解決的。因此，最容易想到的出現人工智能偏見的場景，可能並不是來自權威機構的核心研究實驗室，而是一些三流技術承包商或軟件供應商，他們胡亂地把各種開源組件、軟件庫以及工具拼湊在一起，在自己不懂的前提下，就直接將其出售給了一些“天真”的買家。這些只在乎“金玉其外”的買家，看到“人工智能”標籤就根本不考慮該問的問題，然後直接將這套軟件交給公司底層領著最低工資的員工，並且告訴他們文不加點地按照“人工智能”的提示操作就行。這就是數據庫出現的問題。這個問題，甚至都算不上是人工智能的問題，或者說軟件問題。更準確的說，這是人的問題。圖片來源：House of Bots寫在最後……機器學習系統可以為你做任何事情。你能訓練狗完成的事情，機器學習系統也可以完成。只不過，你完全無法確定的是，你到底在訓練狗做什麼。我經常都在思考，“人工智能”這個詞彙是不是在類似的背景中百無一用。它在很大程度上給我們造成一種錯覺，即我們實際上創造了智能，一種可以真正進行理解的智能，然而，實際上卻並不是這麼回事。從根本上而言，它們只不過是機器罷了，也許更恰當的做法，是把它和洗衣機拿來對比。就洗衣服而言，洗衣機的確要比人工效率高得多，但你把盤子放進洗衣機並開啟洗衣功能後，它還是會洗這些盤子，而且盤子也還是會變得乾淨。但最後的結果，肯定不是你所期待的結果，因為洗衣系統對盤子有偏見。洗衣機肯定不知道什麼是衣服，什麼又是盤子，它只是一個自動化機械。從概念上而言，它和之前其它不同的自動化機械也並沒有太大的區別。也就是說，正如汽車、飛機或數據庫一樣，這些系統可以非常強大，同時又非常有侷限性，並且完全取決於人們如何使用它們，或者我們到底有什麼企圖，甚至人們對這些系統原理的教育或無知程度。所以，如果說人工智能就是數學，它不會出現偏見，就大錯特錯了。同理，如果說機器學習本身也存在偏見，這種說法也站不住腳。機器學習是在數據中發現模式，至於是什麼模式，則取決於數據，而數據又取決於我們，我們怎麼利用它也是取決於我們。機器學習在某些領域的表現遠遠超過我們人類，就像狗比人類更擅长發現毒品等違禁物品一樣，但我們卻不會根據狗的證據來定罪。狗比其它任何機器學習系統都要聰明。本文經授權發布，不代表36氪立場。如若轉載請註明出處。來源出處：36氪