為什麼人類必須留在自動化的迴圈中？我們該如何妥善運用「以人為本的」人工智慧演算法、甚至建立人與機器的結盟，創造合作更緊密的人機關係，為人類創造更好的未來？
Bastiane Huang
Bastiane Huang目前在舊金山的AI/Robotics新創公司擔任產品經理，擁有近10年產品行銷及市場開發管理經驗；曾在美國《機器人商業評論》及《哈佛商業評論》發表文章及個案研究。如果你也對Robotics 2.0（AI-Enabled Robotics）、產品管理、Future of Work有興趣，歡迎追蹤她的最新訊息。
Humans are inscrutable. Infinitely unpredictable. This is what makes them dangerous.
人類是難以捉摸、而且完全不可預測的：這正是他們的危險之處。
— Daniel H. Wilson
在先前的〈你準備好跟AI機器成為同事了嗎？〉一文中，我談到AI（人工智慧）帶來人機關係的改變，並且提出了以下的問題：
誰應該為自動駕駛車做出最終決定？演算法、安全駕駛、或是乘客？人類應該總是能夠推翻機器人的決定嗎？如果你只有一瞬間的反應時間呢？如果你的親人在車裡，答案會改變嗎？
換個場景，如果你明天要上法庭被審判，你會選擇不帶情感判斷、但卻公正不倚的演算法，還是一個可能帶有偏見或錯誤的人類法官，來決定你得到的判決結果？
即使知道人類法官可能會犯更多的錯誤，罪犯仍然更喜歡人，而不是演算法；決策心理學教授曼迪普．達米說，他們想要這種人情味。人們對於機器的不信任，還有更多的例子：例如，雖然研究結果表示，自動駕駛汽車更為安全，但近一半的美國人寧願不使用自動駕駛汽車。
科學家正在積極尋找方法，來解決AI的透明度和公平性問題；但其實：
人類大腦甚至比AI演算法更缺乏透明度和可預測性。
然而，卻很少有人關心這個事實。為什麼？
我們為什麼不信任機器？
華頓商學院教授卡蒂克．霍薩納加爾認為，優越感偏差（better than average effect）是原因之一：我們雖然或許知道，自動駕駛汽車會比一般人駕駛更安全，但我們同時也認為，自己比一般人更善於駕駛。
在一項研究中，當要求參與者在自己、其他人、以及演算法之間做出選擇時，研究人員發現，人類確實更信任演算法，甚至勝過信任其他人。而我們似乎也對自己的錯誤更寬容；當風險很高時，我們不太可能讓機器為我們做決定。
機器確實會犯錯，而且可能永遠不會完美無瑕；無論自動駕駛汽車行駛了多少里程、累積了多少資料，總會有例外情況發生。但是，我們是不是問錯問題了？
為什麼我們必須在人和機器之間做選擇？
機器會犯錯，我們也會犯錯。為什麼我們不能共同努力，讓集體決策更準確，讓偏見更少？我們是否能幫忙發現演算法的弱點，也讓機器幫忙找到我們的盲點？
人和演算法機器的混合團隊能否帶來更多樣化、更理想的解決方案，讓世界變得更美好？
更好的機器教學：以人為本的AI演算法設計
以使用者為中心的設計（user-centered design），可以提高產品的可用性；同樣的，如果我們要確保AI讓我們的生活更好，而不是更糟，在設計演算法時就應該把人放在第一位。
將人類融入ML（機器學習）產品的開發過程中。這種方法被稱為「以人為中心的人工智慧」（Human-Centered Artificial Intelligence）；換言之，與其開發科學家所能想到的最酷技術，還不如關注真正有利於人類的可用性。
最簡單的可用性判斷原則是：評估AI是否可用於自動化，以代替人類執行枯燥或危險的任務、或幫助人類將其他有趣的工作執行得更好。
麻省理工學院的科學家萊克斯．弗瑞德曼建議，可以將人類深度融入ML的模型訓練和實際操作中。透過引進人工監督，我們可以更確保AI的安全、公平、以及可解釋性。
加州大學伯克利分校電腦科學教授斯圖爾特．羅素則認為，我們應該「讓機器具有目標」；他指出，現在的機器學習模型對目標還沒有完善的認識。
這就帶出了我的下一點：我們需要更審慎定義機器的目標函數（objective function），甚至重新檢視整體人類社會的目標函數。
機器與社會更好的目標函數
ML模型是由獎勵函數（也稱為「目標函數」、或是「損失函數」）來決定的。目標函數能定義問題、也是決定ML模型預測是否正確的數學公式。
換句話說，目標函數定義了奬勵機制、成功或失敗。我們使用目標函數，來強化我們想要達成的行為；例如成功走出迷宮、或是盡可能地減少錯誤。
但是，定義目標函數並不是一項簡單而簡單的任務。正如我在〈給產品經理的AI開發指南#1〉一文提到的：模型的準確性通常並不是最好的衡量標準，還必須考慮精確性和召回權衡（recall trade-off）。
此外，我們還要確定除了主要顧客之外，所有使用者對演算法都有正面的體驗。
以Uber優步等共乘軟體公司為例，雖然乘客滿意度很重要，但駕駛員對於平台的發展也一樣重要。要為所有使用者都創造出良好體驗，會是一項艱困挑戰，尤其在使用者之間存在利益衝突時更加重要。
然而，目標函數也可能意外對其他人產生影響。我們如何考慮ML模型的潛在負面影響、並盡量減輕副作用？我們如何預見、追蹤目標函數隨著時間推移所帶來的影響？
更根本的問題是，我們如何確保企業在設計ML產品時，一直能維持從使用者、利益相關者、以及整個社會的利益出發？在目前資本市場的獎勵機制下，企業是否能夠不只考量獲利，而設計出對人類有益的AI或ML產品？
舉例來說，如果留住使用者可以增加公司的利潤，公司是否會關心他們花太多時間上網造成的負面影響？在自動化的過程中，他們是否會分配足夠的資源，來幫助勞工成功轉換到下一個角色？
如果公司的唯一目標是將股東價值最大化，他們是否會嘗試減輕ML演算法對員工和社會的潛在負面影響？
結語
輸給IBM的「深藍」（Deep Blue）超級電腦，並沒有讓棋手Garry Kasparov陷入絕望。相反的，他開始接受「進階西洋棋「的概念，讓人與機器組隊來進行對戰與練習，反而讓西洋棋的水準比以往只有「人與人練習」更高。
同時，UC Berkley大學教授Ken Goldberg也以頂尖圍棋選手與Deepmind的AlphaGo電腦比賽為例，宣導由機器與人類結成聯盟。
我們不應該將人機關係視為「互相取代的零和遊戲」，而應該轉變我們的心態，思考如何與機器合作、將餅做大。現在正是個好機會，讓我們深入思考人類究竟擅長什麼、真正想做什麼，並在將來善用機器演算法，為每個人創造更好的未來。
