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.