Adimen artifiziala azken urteetako teknologia-erronka nagusietako bat da, eta haren eragina gizartean gero eta nabarmenagoa da. Gaur egun, adimen artifizialeko sistemek alborapena sortzen dutela ukaezina da gizartean bertan dagoen alborapena errepikatzeaz gain areagotu ere egiten dutelako. Neutraltasun eza horrek diskriminazioa dakar, arlo eta maila desberdinetan. Arazo horri aurre egiteko eta murrizteko bideari modu egokian ekiteko lehenengo urratsa alborapen horien jatorria zein den ulertzea da.
Alabaina, adimen artifizialak sortzen duen alborapenaren zergatia eta jatorria ezin zaio arrazoi bakarrari lotu, eta jatorriaren sailkapena ere, ez da modu bakarrean azaltzen literaturan. Adimen artifizialeko sistemetan parte hartzen duten eragile ezberdinek eragin dezakete alborapena, datuek, berez barneratuta dutelako alborapena, algoritmoek, datuetan dagoena zabaltzen dutelako, edota sistemen erabiltzaileek modu ezegokian erabiltzen dituztelako sistema horiek. Zehatzago ere azter daiteke alborapenaren jatorria ikasketa automatikoaren etapak ardatz hartuta.
Horren arabera, zazpi izan daitezke alborapenaren iturriak:
- Alborapen historikoa: gizartean existitzen diren aurreiritziak ikasketarako erabilitako datuetan jasota daude, eta ondorioz, sistemetan barneratzen dira.
- Adierazpidearen alborapena: ikasketarako erabilitako datu-multzoek populazio osoa modu desegokian ordezkatzen dutenean gertatzen da.
- Neurketaren alborapena: kontzeptu abstraktuak neurtzeko erabiltzen diren aldagaiak desegokiak izateak sortzen du.
- Agregazio-alborapena: sortutako ereduak populazioko talde ezberdinak modu bateratuan, bestelako izaerak kontuan hartu gabe, tratatzen dituenean gertatzen da.
- Ikasketa-alborapena: algoritmoak berak alborapenak sortzen ditu datuak zuzenak izan arren. Arrazoia, arazo konplexu bati algoritmo sinpleegia aplikatzea izan daiteke.
- Ebaluazio-alborapena: adimen artifizialeko sistemak ebaluatzeko aurrez etiketatutako datu-multzoak erabiltzen dira eta horren arabera sistemaren kalitatea ezartzen da. Askotan, datu-multzo horietan populazioko talde guztiak ez daude ongi ordezkatuta, eta ondorioz, sistemak alborapena eragingo du.
- Ezarpeneko alborapena: eredua sortu zeneko helburuarekin bat ez datorren erabilera ematen bazaio sor daiteke alborapen mota hau. Erabilpen ezegokia edo okerra alegia.
Etapa desberdinetan sortutako alborapen horiek ez dira baztertzaileak, eta sistemaren arabera, batzuk edo besteak gerta daitezke, ondorioz, gaur egungo sistema asko dira baztertzaileak, hau da, talde sozial nagusientzat lagungarriak baina diskriminazio-iturri sortzaileak besteentzat.
Hori gertatu izanaren adibideak asko eta oso desberdinak dira, eta, aplikazio-eremuaren arabera sailkatutako kasu erreal nabarmen batzuk dira ondorengoak.
- Ahotsaren tratamendua: ahots-errekonozimenduko sistemek estandarrak ez diren azentuak dituztenei edo hizkuntza gutxituen hiztunei laguntzeko zailtasunak dituzte. Segur aski, aipatutako adierazpidearen alborapena izan daiteke horren arrazoia, populazioaren zati bat ez dagoelako ondo ordezkatuta eta ereduen entrenamendurako datu gehiago behar direlako.
- Testu-sortzaileak: adimen artifizialeko ereduek lan-gomendioetan genero eta nazionalitate alborapenak erakutsi dituzte. Kasu horretan alborapen historikoa da alborapenaren iturri nagusia.
- Irudien tratamendua: aurpegi-errekonozimenduko sistemek azal iluneko pertsonekin hutsegite gehiago egiten dute. Horren azpian, badirudi adierazpidearen alborapena edota ebaluazioaren alborapena egon daitezkeela, nahiz eta ez dugun daturik hori ziurtatzeko.
- Ongizatea eta osasuna: AEBko osasun-sistemetan, osasun-zaurgarritasuna aurreikusteko erabiltzen zen iragarpen-eredu batek ekonomia ahuleko eta azal iluneko pertsonak gutxietsi zituen. Ereduak aurresan beharreko helburu-aldagai gisa osasun-sisteman egindako gastuak hartu zituen baina, horrek ez du beti osasun-zaurgarritasuna adierazten. Adibidez, paziente baten egoera ekonomikoak ez badio aukerarik ematen osasunean gasturik egiteko nekez jasoko du sistemak paziente horren osasun-zaurgarritasuna (neurketaren alborapena).
Alborapena murrizteko hainbat teknika proposatu dira, batzuk sistemaren aurre-prozesaketan zentratuta, beste batzuk prozesaketan zehar eta baita beste zenbait prozesaketaren ondoren ere. Teknika horiek erabilgarriak diren arren, muga nabarmenak dituzte, eta ez dute beti alborapena erabat kentzen.
Honela, adimen artifizialeko sistemek abantaila ugari eskaintzen badituzte ere, gizartean dituzten kalteak saihesteko lan handia dago egiteko. Alborapenak ezagutzeko eta murrizteko ikerketa-lanak ezinbestekoak dira, baina arazoa konplexua da, eta soluzioak diziplina anitzeko ikuspegia eskatzen du. Adimen artifiziala pertsona erdigunean jarriko duten ikuspuntutik garatu behar da, algoritmoen bidez hartutako erabakiak bidezkoak, gardenak eta inklusiboak izan daitezen. Horretarako, komunitate zientifikoa, herritarrak eta erabaki politikoak hartzen dituztenak elkarlanean aritu behar dira.
Artikuluaren fitxa:
- Aldizkaria: Ekaia
- Zenbakia: Ale berezia Adimen artifiziala
- Artikuluaren izena: Adimen artifizialeko alborapena ulertzen.
- Laburpena: .
- Egileak: Olatz Perez de Viñaspre, Olatz Arregi eta Itziar Irigoien Garbizu
- Argitaletxea: EHUko argitalpen zerbitzua
- ISSN: 0214-9001
- eISSN: 2444-3255
- Orrialdeak: 229-255
- DOI: 10.1387/ekaia.26823
Egileez:
Olatz Perez de Viñaspre eta Olatz Arregi EHUko Konputagailuen Arkitektura eta Teknologia Saila, HiTZ Zentroko – Ixa ikerketa-taldeko ikertzaileak dira.
Itziar Irigoien Garbizu EHUko Konputazio Zientziak eta Adimen Artifiziala Saileko ikertzailea da.
Ekaia aldizkariarekin lankidetzan egindako atala.
