教 AI 认苹果，它会偏心吗？
给 AI 的例子不全，它学出来就会偏心。这一节，你会亲手喂 AI 学苹果、考考它、再判断它为什么会认错。
先猜一猜：如果只给 AI 看红苹果的照片，你猜它会怎么想？
先猜一猜，不用担心猜得准不准。
① 挑一些苹果，教 AI 认识它 🧺
点一点，选中要给 AI 看的例子。选好后按「开始喂图」。
AI 的小脑袋还空空的，先教它吧～
先选几个苹果例子吧。
② 考考它：这个也是苹果吗？
给 AI 看一个绿苹果，看它认不认得——它学得全不全，一考就露馅。
先让 AI 判断一下这个苹果。
③ 想一想 🤔
刚才 AI 为什么会那样判断？
选一个理由，说说你的判断依据（选填）。
这一节，你搞懂了！
以后遇到类似情况，看这3件事：
1看它学过的例子够不够全（颜色、角度、场景多不多）
2看它是不是只见过一种情况（比如只见过红苹果）
3结果不对时，先怀疑数据全不全，别急着怪 AI 笨
垃圾进垃圾出
给 AI 的例子不全，它学出来就会偏心。
偏见：例子不全，AI 就学歪了。
进阶说法：训练数据不平衡导致的系统性偏差。
进阶说法：训练数据不平衡导致的系统性偏差。
深入一点：现实里的 AI 偏见长什么样？
如果招聘 AI 只学过男性简历，它可能对女性简历打分偏低；如果人脸识别只练过浅色皮肤，它对深色皮肤就容易认错。道理和苹果一样：例子不全，AI 的世界就偏了。所以数据要「有代表性」。
深入一点：怎么提前发现 AI 偏心？
不少研究团队会给训练数据"做体检"——统计里面不同性别、肤色、年龄的样本各占多少比例，一旦发现某一类明显偏少就想办法补上。这套做法有个专门名字，叫"数据集审计"，现在已经成了很多正规 AI 团队上线前的必修课。
经验 +15
金币 +8
懂原理+会判断 +1
尖刀勋章