5G的应用领域

亚马逊曾在2014年开发了一套“算法筛选系统”，目的是在招聘的时候帮助HR筛选简历，开发团队打造了500个算法模型 ，同时教算法识别50000个曾经在简历中出现的术语，然后对应聘者的不同能力分配权重。

最后开发团队却发现，算法对男性应聘者有着明显的偏好，如果识别出简历中有女子足球俱乐部、女子学校等经历时，就会对简历给出相对比较低的分数。这个算法模型最终被路透社曝光，亚马逊也适时停止了算法的使用，令人深思的却是：为何“没有价值观”的算法开始有了偏见?

无独有偶，2018年IG夺冠的喜讯让互联网沸腾的时候，战队老板王思聪随即在微博上进行抽奖，结果却出人意料：获奖名单中有112名女性获奖者和1名男性获奖者，女性获奖者比率是男性的112倍，而参与用户的男女比率是1：1.2。

于是不少网友质疑抽奖算法的公平性，甚至有网友主动测试抽奖算法，将获奖人数的设置大于参与人数，仍然有大量用户无法获奖。原因是这些用户被算法判定为“机器人”，意味着在任何抽奖活动中都没有中奖的机会。

在算法的黑匣子面前，我们看到的大多只有结果，却无法理解决策的过程。与之相似的案例可能比比皆是，不过是鲜有人关注罢了。

最直接的教训就是互联网，硅谷自由的法度诞生了互联网，以至于一些原罪被人们选择性忽略，最终在20多年后出现了一轮轮对互联网的批判。正如纽约时报在《减少互联网是唯一的答案》一文中，将互联网归结为带有集权主义意识形态的技术，互联网企业被形容为一群驱使着技术的“邪恶魔王”。

对互联网的批判大概率不会让人们减少互联网的使用，却给出了一个思路：为何互联网会从万众仰慕的行业沦为过街老鼠，倘若算法的应用和算法歧视现象不被制约，又将在未来某一天掀起多大的波澜?

根源在于人性的偏见

当然，算法的“偏见”并不缺少合理的解释。

一种说法是将机器学习结果的偏见归咎于数据集偏见，而非算法偏见的“技术中立”。比较知名的支持者就有被称作“卷积神经网络之父”的杨立昆，比较常见的论证是：如果某人持菜刀砍了人，难道是菜刀厂商甚至“菜刀本刀”的错?

另一种解释是数据量太小，当算法学习的数据量越大时，算法的错误会越少，而且结果会越趋向于精准。即使可以开发出一套筛选系统，将不带偏见的数据输入给算法，也无法达到绝对的公平。毕竟“主流”永远拥有更多的数据，算法最终会偏向于大多数，对“非主流”产生所谓的歧视现象。

两种说法其实讲了一个相同的道理：计算机领域有个著名的缩写是GIGO，即Garbage in, Garbage Out。翻译成中文的意思是，如果输入的是垃圾数据，那么输出的也将是垃圾的结果。算法就像是现实世界的镜子，可以折射出社会中人们意识到或者无意识的偏见，如果整个社会对某个话题有偏见，算法输出结果自然是有歧视的。

德国哲学家雅斯贝尔斯曾在《原子弹与人类的未来》写道：“技术本身既非善，亦非恶，但它既可以用于善，也可以用于恶。它本身不包含任何观念：既不包含完美的观念，也不包含毁灭的邪恶观念;它们都有别的源头——在人类自身之中。”
 

其次是技术团队相对薄弱。政务云对于可靠性、稳定性和安全性有着极高的要求，但政府的相关技术力量相对薄弱，运维和安全防护的能力跟不上，导致了政务云的运维漏洞百出，严重影响整个系统的安全。

最后是政务云市场需求的差异化。政务云建设是一项长期而又复杂的系统工程，关系到政府机构多个部门的海量异构数据。各地方不同政府机关，对政务云的定位和诉求千差万别，这就要求政务云服务本身具备足够的灵活性，不仅具备“与时俱进”的进化能力，还要有快速的响应能力和服务能力。

IDC报告认为，政务云建设本身在于为政府构建数字化的能力，需要技术提供商能够站在政府视角出发，尽量减少政府在数字化建设本身的人员投入，并为政府提供技术方面和人员方面的数字化服务能力。

从长期来看，政府机构的需求将会不断深入，进一步驱动政府行业数字化的建设。对技术、产品、运维、方案规划等方面的整体综合能力提出了更高的要求。所以从客户需求的角度，政务云走向一体化的服务模式将成为基础设施建设后的必然趋势。

（编辑：淮安站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!