လွယ်လွယ်ပြောရရင် AI Bias ဆိုတာ AI က လူတစ်ချို့ကို မတရားဆက်ဆံတာ၊ တစ်ဖက်ကို ဘက်လိုက်ပြီး ဆုံးဖြတ်ပေးတာပါ။ AI က သူ့ဟာသူ “ဒီလူက ဒီလိုဖြစ်မယ်” လို့ ထင်ပြီး ဆုံးဖြတ်လိုက်တာမျိုးပါ။ အဲဒီဆုံးဖြတ်ချက်က မှားနေတတ်ပါတယ်။
ကျွန်တော် ဒါကို ကျောင်းမှာ စာသင်တဲ့ ဆရာနဲ့ ဥပမာပေးချင်တယ်။ ဆရာတစ်ယောက်က ကျောင်းသားတစ်ယောက်ကို အမြဲတမ်း အမှတ်နည်းနည်းပဲ ပေးနေတယ်ဆိုပါစို့။ အဲဒီကျောင်းသားက တကယ်ညံ့လို့ မဟုတ်ပါဘူး။ ဆရာက အရင်က ဖတ်ထားတဲ့ စာအုပ်တွေထဲမှာ “ဒီလိုလူက စာမတော်ဘူး” လို့ ရေးထားတာကို ယုံသွားလို့ပါ။ AI လည်း အတူတူပါပဲ။ AI က သူ သင်ထားတဲ့ Data ထဲက ဘက်လိုက်မှုကို သင်ယူသွားပြီး၊ အဲဒီအတိုင်း ပြန်သုံးလိုက်တာပါ။
ဥပမာ တကယ်ဖြစ်ခဲ့တဲ့ အဖြစ်အပျက်တစ်ခုရှိတယ်။ 2018 ခုနှစ်မှာ Amazon က အလုပ်လျှောက်လွှာတွေကို စစ်တဲ့ AI Tool တစ်ခု သုံးခဲ့ပါတယ်။ အဲဒီ Tool က အမျိုးသမီးတွေရဲ့ CV ကို အမှတ်လျှော့ပေးနေတာကို တွေ့ရတယ်။ ဘာလို့လဲဆိုတော့ အဲဒီ AI ကို သင်ပေးတဲ့ Data ထဲမှာ အရင်က အလုပ်ရခဲ့သူတွေက အမျိုးသားတွေ များနေလို့ပါ။ AI က “အမျိုးသားဆိုရင် အလုပ်တော်တယ်” လို့ မှားပြီး သင်ယူသွားတာပါ။ နောက်ဆုံး Amazon က အဲဒီ Tool ကို ရပ်ပစ်လိုက်ရပါတယ်။
နောက်တစ်ခု ရှိသေးတယ်။ မျက်နှာမှတ်မိတဲ့ AI (Face Recognition) တွေက အသားအရောင် ညိုတဲ့သူတွေရဲ့ မျက်နှာကို မှားပြီး မှတ်မိတာ ပိုများပါတယ်။ MIT က သုတေသနတစ်ခုမှာ အသားဖြူတဲ့ အမျိုးသားတွေကို မှားတာ 1% အောက်ပဲ ရှိပေမယ့်၊ အသားညိုတဲ့ အမျိုးသမီးတွေကို မှားတာ 30% ကျော် ရှိတယ်လို့ တွေ့ရတယ်။ ဘာလို့လဲဆိုတော့ သင်ပေးတဲ့ ဓာတ်ပုံတွေထဲမှာ အသားဖြူတဲ့လူတွေ များနေလို့ပါ။ AI က မြင်ဖူးတာနည်းတဲ့ မျက်နှာကို မမှတ်မိနိုင်ဘူးလေ။
Bias က ဘယ်က လာတာလဲ?
AI Bias က အဓိက နေရာ ၃ ခုကနေ လာပါတယ်။
သင်ပေးတဲ့ Data ကိုက ဘက်လိုက်နေတာ — အရင်က လူ့သမိုင်းထဲမှာ ရှိခဲ့တဲ့ မတရားမှုတွေ Data ထဲ ပါသွားတာပါ။ ဥပမာ အလုပ်ရာထူးကြီးတွေမှာ အမျိုးသားတွေ များနေတဲ့ Data ကို သင်ရင် AI က “ရာထူးကြီးဆိုတာ အမျိုးသားအလုပ်” လို့ ထင်သွားတာပါ။
Data မစုံလင်တာ — လူတစ်မျိုးတည်းရဲ့ Data ပဲ များနေရင် ကျန်တဲ့လူတွေကို AI က နားမလည်တော့ပါဘူး။ မျက်နှာမှတ်မိတဲ့ ဥပမာက ဒါပါပဲ။
Label တပ်တာ မှားတာ — လူက Data ကို Label တပ်တဲ့အခါ ကိုယ့်အထင်နဲ့ တပ်မိရင် အဲဒီအမှားက AI ထဲ ရောက်သွားပါတယ်။ ဥပမာ ဘာသာပြန်တဲ့ AI တွေက “doctor” ဆိုရင် “သူ” (he) လို့ ပြန်တတ်ပြီး၊ “nurse” ဆိုရင် “သူမ” (she) လို့ ပြန်တတ်ပါတယ်။ ဒါက Data ထဲက စံပုံစံဟောင်းကို AI က သင်သွားတာပါ။
ဒါက ဘာလို့ အရေးကြီးတာလဲ?
AI က အခုတော့ လူတွေရဲ့ ဘဝကို ဆုံးဖြတ်တဲ့နေရာတွေမှာ သုံးနေပါပြီ။ အလုပ်ခန့်တာ၊ ချေးငွေပေးတာ၊ ဆေးရုံမှာ လူနာရွေးတာ၊ တရားရုံးမှာ အာမခံပေးတာ — ဒီလို ဆုံးဖြတ်ချက်တွေမှာ AI က ဘက်လိုက်နေရင် လူတစ်ချို့ နစ်နာမှာပါ။ AI က အမှားလုပ်ရင် လူက မှားသလို “ဒါမှားနေတယ်” လို့ ပြောနိုင်ပေမယ့်၊ AI က ဘာလို့မှားမှန်း ရှင်းပြဖို့ ခက်ပါတယ်။ ဒါကြောင့် AI Bias ကို အလေးထားရတာပါ။
ဘယ်လို ကာကွယ်ရမလဲ?
Developer တွေက Data ကို အမျိုးမျိုး စုံအောင် စုရပါတယ်။ လူမျိုး၊ လိင်၊ အသက်၊ ဒေသ အမျိုးမျိုး ပါဝင်တဲ့ Data နဲ့ သင်မှ AI က အားလုံးကို တန်းတူမြင်နိုင်မှာပါ။
Model ကို ထုတ်ခင် လူအုပ်စုအမျိုးမျိုးနဲ့ စမ်းသပ်ရပါတယ်။ တစ်အုပ်စုတည်းနဲ့ တိကျပြီး ကျန်တဲ့အုပ်စုနဲ့ မှားနေရင် အဲဒါ Bias ရှိနေတာပါ။
အရေးကြီးတဲ့ ဆုံးဖြတ်ချက်တွေမှာ AI ကို တစ်ယောက်တည်း မထားဘဲ လူက ပြန်စစ်ရပါတယ်။ AI က အကြံပေးရုံပဲ၊ နောက်ဆုံးဆုံးဖြတ်တာက လူဖြစ်ရမှာပါ။
သုံးတဲ့သူအနေနဲ့ကလည်း AI ရဲ့ အဖြေကို မျက်စိမှိတ် မယုံပါနဲ့။ AI က ဖြေတယ်ဆိုတိုင်း အမှန်မဟုတ်ပါဘူး။ “ဒါ ဘက်လိုက်နေသလား?” လို့ တစ်ချက် စဉ်းစားကြည့်ပါ။
AI က မှန်တစ်ချပ်လိုပါပဲ။ မှန်က ကိုယ့်ကို ပြတာပါ။ ကိုယ်ရှေ့မှာ ရပ်နေတဲ့အရာက ဘက်လိုက်နေရင် မှန်ထဲမှာ ဘက်လိုက်တဲ့ပုံ ပေါ်မှာပဲ။ ဒါကြောင့် AI ကို ပိုကောင်းအောင် လုပ်ချင်ရင် AI ကို သင်ပေးတဲ့ Data ကိုက အရင် မှန်ကန်အောင် လုပ်ရမှာပါ။ AI က အနာဂတ်မှာ လူတွေကို ပိုကူညီနိုင်ဖို့ဆိုရင် Bias ကင်းဖို့က အရေးကြီးဆုံး အလုပ်တစ်ခုပါ။ ကျွန်တော်တို့ သုံးနေတဲ့ AI က တရားမျှတရဲ့လား ဆိုတာ မေးဖို့ မမေ့ပါနဲ့။ 🙂
—
