小心金融歧視／演算法偏見 須矯正

AI的誕生，有助解決一部分的社會問題，不過，AI的「先天缺陷」，如幻覺或者偏見，也需要「人」很有意識的去矯正。

玉山銀行消費金融處資深協理蔡宗樺表示，有些歧視是肉眼看不見、藏在細節裡的，演算法歧視就是其一。舉凡拿來訓練模型的資料，或是演算設計的基礎，若不仔細排除歧視，很容易把實體通路上的歧視，帶到更高速運轉的數位通路，「如此一來，實體通路的歧視，就彷彿被複製貼上到數位通路再放大。」

常見的演算法偏見，包括原先的訓練資料就存在歷史歧視、採樣不足、標註者偏見等問題，由此訓練的模型，自然而然就會「不公平」。還有一種歧視的產生，是標籤偏差，例如有銀行或保險公司，拿過去成功取得貸款或核保的結果當標籤，其結果就是，持續複製不公。

蔡宗樺說，在台灣，只要跟AI模型有關的議題，主管機關都特別謹慎，甚至要求銀行要建立半年度或年度的考核機制，確認模型運作是否合理正確，減少演算法歧視。

Lydia AI共同創辦人李俊毅提到，過去看台灣資料時，的確會發現偏鄉或某些族群會有一些偏高的數據，如酗酒率；同樣的情況看美國資料，有些族裔也會有類似情況。這時要降低偏見，AI就必須從倫理的角度去做調整，例如去找同年齡、同性別群裡面的標準是多少，跟對照組做比較來調整，當然這個調整的過程，必須出一個正式的報告給保險公司。

李俊毅說，在國外，要調整AI的偏見，也常會以替代性資料，比如健檢頻率、運動習慣等行為數據，來取代敏感族群標籤。