主要观点：随着机器学习系统在多领域决策中作用增大，公平性问题至关重要，模型准确性和性能不能保证伦理 AI，公平性是多面且易被误解的问题，需从数据源头审计，定义不同情境下的公平性，用多种方式测量公平性，诊断和理解偏见，采用多种技术减轻偏见，将公平性贯穿机器学习全生命周期，同时考虑组织和法律责任。
关键信息：

• 公平性问题在各领域重要性凸显，模型准确性不等于公平性。
• 公平性审计需从数据开始，包括表示分析、标签完整性、特征-标签交互等。
• 测量公平性要超越准确率，使用多种关键技术指标。
• 诊断偏见可借助解释性工具，减轻偏见有多种技术手段。
• 公平性应贯穿机器学习全流程，包括开发、测试等阶段。
• 组织和法律责任在确保公平性中关键，需多学科协作。
  重要细节：
• 不同领域公平性定义不同，如医疗和金融领域。
• 数据中的偏差会导致模型预测偏差，如雇佣数据中过去经理的性别偏见。
• 现代工具可帮助评估公平性，如 Fairlearn、AIF360、Google 的 What-If Tool 等。
• 解释性工具如 SHAP、LIME 可帮助理解偏见来源。
• 减轻偏见有预处理、处理中、后处理等技术。
• 公平性需持续嵌入机器学习生命周期各阶段，形成文化。
• 法律如 GDPR、ECOA 等对公平性有相关要求，公司应形成伦理审查委员会等。