كيف يمكن تحقيق العدالة في الذكاء الاصطناعي؟ نموذج متطور لتصحيح التمثيل الديموغرافي

في عالم الذكاء الاصطناعي التوليدي، أصبحت نماذج تحويل النص إلى صورة (Text-to-Image) مثل Stable Diffusion وDALL-E متاحة بشكل واسع، ولكنها تواجه تحديات كبيرة تتمثل في تكرار التحيزات الاجتماعية. فدراسات حديثة أظهرت أن هذه النماذج قد تُظهر تمييزًا واضحًا عندما يتعلق الأمر بتصوير المجموعات الديموغرافية ضمن مختلف المهن.

خذوا مثالاً، عند استخدام كلمة "طبيب" أو "مدير تنفيذي"، نحصل غالبًا على نتائج لذوات بشرة فاتحة، بينما الأدوار ذات الوضعية الأدنى مثل "عامل نظافة" تعكس تنوعًا أكبر في التمثيل، مما يعيد تأكيد الصور النمطية السلبية.

صعوبة معالجة هذه التحيزات تكمن في أن حلول التخفيف التقليدية تتطلب إعادة تدريب النظام أو استخدام مجموعات بيانات مُنسقة، وهو ما يعد غير متاح للعديد من المستخدمين. لذلك، تقدم الدراسات الحديثة إطارًا عمليًا خفيف الوزن يُعنى بتخفيف التحيز التمثيلي من خلال تدخلات على مستوى التوجيهات، دون تعديل النموذج الأساسي.

الطريف في هذا النهج أنه لا يفترض وجود تعريف وحيد للعدالة (Fairness)، بل يسمح للمستخدمين باختيار مجموعة من المواصفات المتعلقة بالعدالة. تتراوح هذه المواصفات من خيارات بسيطة مثل توزيع متساوٍ إلى تعريفات أكثر تعقيدًا مدعومة من نماذج لغوية كبيرة (Large Language Models) يمكنها الاستشهاد بالمصادر وتقديم تقديرات الثقة. هذه التوزيعات تُستخدم في بناء متغيرات توجيهية ديموغرافية، ويتم تقييم توافقها من خلال تدقيق الالتزام بالهدف المُعلن وقياس توزيع لون البشرة الناتج.

عبر 36 توجيهًا تغطي 30 مهنة و6 سياقات غير مهنية، أثبتت هذه الطريقة فعاليتها في تعديل النتائج المتعلقة بلون البشرة بما يتماشى مع الأهداف المعينة، مما يقلل من الانحراف عن هذه الأهداف عندما يتم تعريفها مباشرةً في سياق لون البشرة.

هذا العمل يمثل خطوة مهمة نحو تحقيق شفافية وتفاعل أكبر في التدخلات المتعلقة بالعدالة، مما يمكّن جمهور مستخدمي الذكاء الاصطناعي التوليدي من العمل بطريقة أكثر تعرفًا وإيجابية!