Bias w AI

Wprowadzenie

Bias w AI (uprzedzenie lub błąd systematyczny) to tendencyjność modelu, która powoduje, że system sztucznej inteligencji systematycznie faworyzuje lub dyskryminuje określone grupy ludzi.

Główne rodzaje biasu

• Data Bias – dane treningowe nie są reprezentatywne (np. za mało zdjęć kobiet w zbiorze do rozpoznawania twarzy)

• Algorithmic Bias – sam algorytm wzmacnia istniejące uprzedzenia

• Selection Bias – sposób zbierania danych

• Labeling Bias – błędy w etykietowaniu danych przez ludzi

• Confirmation Bias – model szuka potwierdzenia wcześniejszych założeń

Słynne przykłady

• COMPAS – system przewidujący recydywę dyskryminujący osoby czarnoskóre

• Google Photos – oznaczanie czarnych osób jako „goryle”

• Amazon Recruiting Tool – faworyzowanie mężczyzn

• Face recognition – znacznie gorsza dokładność dla kobiet i osób o ciemnej skórze

Dlaczego bias jest niebezpieczny?

• Wzmaga istniejące nierówności społeczne

• Może prowadzić do dyskryminacji w rekrutacji, kredytach, medycynie, sądownictwie

• Podważa zaufanie do sztucznej inteligencji

• Może powodować realne szkody dla ludzi

Jak walczyć z biasem?

• Różnorodne i reprezentatywne zbiory danych

• Techniki debiasingu (reweighting, adversarial debiasing)

• Fairness metrics i audyty modeli

• Explainable AI (XAI)

• Różnorodne zespoły tworzące AI

• Regulacje prawne (np. EU AI Act)

Aktualny status (2026)

Bias w AI pozostaje jednym z największych wyzwań etycznych i technicznych. Mimo postępu w technikach mitigacji, problem nie zniknął – szczególnie w dużych modelach językowych (LLM), które często odtwarzają stereotypy z internetu. Coraz więcej firm i rządów wymaga regularnych audytów biasu przed wdrożeniem systemów AI.

office@freenetmedia.pl