The Logic and Ethics of AI [JP]

[@植松京子]

4:20⛩️
18:22🦉
24:10二重過程理論
直観🆚論理
27:40人工知能
30:40 機械学習
【教師あり🆚教師なし＝DL 】
36:42倫理🆚論理

[@mana2018]

これからの時代にとても大事なことを言っていると思います。

[@清水広志-f4e]

感謝です

[@たるのなかにいる]

講義面白かったです。廣野先生ありがとうございました。
（メモ書き）
AIに複層的個性を与える→ペルソナ構造であれば元データの限界（人間論理）を突破しうるんじゃね?
A：群生AIによる協議モデルと何が違う?（元ネタ確か小松左京氏）
B：社会的？立ち位置（育ち）から来る判断のブレを吸収できそ
Ａ：ソレって最終的には地球人口分のAI必要じゃない?めっさ効率悪いわ
Ｂ：そんなん知らんｗ
Ａ：いや待て、元々ビッグデータから学習って途方もない量の情報コストを使用する訳だろ効率とか何を今更って話じゃん
Ｂ：知らないのに推測でモノ言うのイクナイ。効率化の為何らかのフィルターは使用してるじゃろし。
Ａ：すまん　まあ素人の感想だからカンベン。僕等は例え公開されていても、すべての情報をカバー出来ないし。
Ｂ：しっかし最先端の状況の講義を公開してくれてるって凄いね
Ａ：大学と先生に感謝を

[@上林孝太郎]

とても面白かった。スキップした部分の話をもっと聴きたい。

[@midcent73b]

13:42　データのバイアス？データの解釈にバイアスがかかるのなら解るが、データ自体は現状では最もオブジェクティブなものでは？

[@山田-b3v]

何かしらのデータは主に数値で表される事が多く、それ故に客観的であるように思われがちですが、それは全くの誤解です。
データに生じるバイアスとして代表的なものには測定バイアスや選択バイアスがあります。
何をどのように測定したのか、あるいは「測定しなかったのか」によってバイアスが生じます。
例えば、アンケート調査において調査方法や場所、時間帯などにより回答者の年齢層や性別に偏りが生じることがあります。
よく言及される(そして間違った)例としては「マスメディアの世論調査は昼間に固定電話にかけているので、その時間帯に在宅の人の意見しか反映されていない」というようなものがあります(実際には新聞社が行う調査ではそのような偏りが生じないように工夫され、携帯電話にもかけられますし、固定電話では応対した人が回答者として指名されるとは限りません)。
データ内の一つ一つの値そのものは客観的事実に基づいていたとしても、「いつ」「どこで」「誰が」「何を」「どのように」測定するかを決定した段階で既にバイアスが生じていることはしばしばあり、収集データ全体としては客観的でなく、一般化できないことがあります。
非盲検化、非ランダム化、少数サンプルなどがバイアスが生じている可能性の高いデータの代表例として挙げられます。
その他にも、測定者や測定機器に依存した誤差、観察者バイアス、「測定される側」によって生じるバイアスとして、脱落バイアス、未回答バイアス、ホーソン効果などがあります。
このように、データにはバイアスが生じる可能性が多々あり、客観性は容易には評価できません。
COMPASの例では、使用したデータや評価アルゴリズムが公開されていませんが、そもそも現実の人間社会そのものが差別や偏見を内包しているため、人間社会から得られたデータには現実のバイアスが残っている可能性が高いと考えておくのが妥当だと思います。

[@齋藤雅晴-p9f]

Chatポット

[@47997137x]

和人の研究者の名前にのみ「先生」を付けるところに強い違和感を感じます。