管理AIoT模型中的偏差

关于人工智能 (AI) 偏见的讨论继续将注意力主要集中在其社会影响上，这是正确的。然而，导致机器学习模型强化社会刻板印象的过程可能会影响在工业环境、医疗保健等领域的人工智能物联网 (AIoT) 应用中使用这些技术的努力。如果不仔细注意用于构建这些模型的数据，即使公司和个人更加依赖其结果，这些应用程序也无法达到预期。

受用于构建基于 AI 的应用程序的现成可用工具和硬件的鼓舞，几乎每个细分市场的组织都急于充分利用工业、医疗和消费领域智能传感器迅速出现所带来的不断增长的数据源池设备等。事实上，市场研究人员预测，到 2023 年，全球人工智能市场的复合年增长率 (CAGR) 将达到近 35%。研究人员预测，仅制造业领域的人工智能，到 2025 年的复合年增长率将超过 55%。下面是如何在这些模型中管理人工智能。

人工智能的引人注目的本质

使用 AI 方法快速部署智能应用程序的潜力令人信服。能够预测工业机械故障的 AIoT 应用程序可以在设备出现故障时提供急需的意外停机缓解措施。加速度计、麦克风和温度等传感器无需定期手动检查机器健康状况，而是可以将连续数据流提供给预测性维护应用程序，这些应用程序使用机器学习模型构建，这些模型经过训练可以在即将发生的故障模式发生之前就识别出来。

对于工业电机的预测性维护，开发人员将收集与特定故障模式相关的振动、音频和温度测量值的组合，例如电机不平衡、未对准、耦合松动、轴承退化等。然后，他们将使用这些数据集，使用决策树或神经网络模型等监督学习算法，根据从电机收集的新传感器数据预测这些故障模式。

这种方法既是优点也是限制。它允许部署复杂的应用程序来检测这些状态，而无需编写复杂的模式识别软件。不幸的是，它还允许部署对不受相应训练数据支持的状态视而不见的应用程序，并且可能有利于主导训练数据的状态。例如，如果训练数据集对与高频振动和声音相关的状态有很大的权重，则相应的模型预测将对与传感器测量组合相关的轴承相关故障类型进行加权。理想情况下，

管理人工智能中的偏见

当模型更有可能预测一种结果而不是另一种时，就会出现模型偏差。它可能源于上述那种采样偏差，或者源于试图通过删除在人类观察者看来是离群值的数据来清理数据。一种更微妙的形式来自人类观察者固有的认知偏差，他们自然会根据自己对世界的看法和理解来确定什么是相关的，什么是不相关的——所有这些都会微妙地影响机器学习模型的功效。

机器学习研究人员和经验丰富的开发人员使用各种方法来对抗偏见的影响。随机森林算法或神经网络集合等方法使用旨在帮助避免这些限制的集成方法。其他方法侧重于训练方法，使用生成对抗网络 (GAN) 生成新数据集以增强目标神经网络的训练。尽管如此，其他方法仍然关注数据本身，其方法是对表示不佳的状态的数据进行过采样以提供平衡的训练数据。管理人工智能偏见的方法仍然是一个非常活跃的研究课题。

结论

即使没有这些更先进的方法，AIoT 应用程序开发人员也可以迈出管理模型偏差的第一步，只需提醒自己收集真正代表其应用程序的训练数据的重要性。尽管开发平台和监督学习算法软件工具大大简化了机器学习模型的部署，但基于机器学习的应用程序开发最关键的组成部分是无偏训练数据。

审核编辑：汤梓红