部署。为此，最简单、最快的学习算法之一是最近邻算法(Domingos，2015:179)。为了确定一张图像是否包含人脸，最近邻算法通过在Facebook的整个标记照片数据库中找到与该图像最相似的图像来工作。“如果”它包含一张脸，“那么”另一张就假定也包含一张脸。例如，Facebook的自动标签功能就使用了这种方法。鉴于Facebook庞大的数据池，该公司的工程师能够训练算法，以大多数照片分享网站无法做到的方式检测人脸。Facebook的人工智能团队最近开发了一个名为DeepFace的系统，据称该系统能够以97.25%的准确率识别人脸，仅略低于人类97.53%的平均得分(Taigman et al.，2014)。这个系统使用的是所谓的“深度学习”技术，这种技术目前构成了最领先、最先进的机器学习框架之一。深度学习基于神经网络，这是一种在图像和语音识别中应用最广泛的模型。为了模拟人类大脑的工作方式，神经网络“使用不同的数学处理层来使它们所提供的信息变得更加有意义”(Condliffe,2015)。15在图像识别方面，以神经网络为动力的系统为例，它会在一层分析像素亮度，通过另一层分析形状和边缘，在第三层分析实际内容和图像特征，以此类推。在每一层上使用不同的算法来处理信息，系统将获得对图像更细粒度的理解
正如最近的图像识别失败案例所显示的那样，机器学习并非没有问题，从机器学习出错的案例中我们可以学到很多东西。例如，在2015年5月，谷歌新推出的照片应用程序将照片中的两个黑人标记为“大猩猩”，被指责使用了“种族主义”算法(Barr,2015)。类似的事件也发生过，由雅虎的神经网络提供支持的照片分享服务Flickr，因为一个人的肤色而将其标记为“猿”。虽然像这样的事件是机器学习结果如何非常有问题的完美例子，但它们也很好地说明了媒体如何经常忽略解释为什么会做出某些推断，经常报道算法，从而迎合了对这些系统实际工作方式的肤浅理解。我的希望是，如果我们试图通过承认算法、机器学习和大数据的复杂性和多样性，采取一种更全面的方法，我们可能会更好地理解算法的力量和政治。像这些失败的图像识别任务这样的事件指向了处理算法的一个核心问题，即代理、责任和问责制的问题，我将在下一章中回到这个问题。在这一点上，只要提到训练数据作为理解机器学习的可能性和局限性的另一个元素的重要性就足够了。正如Barocas和Selbst所指出的那样，“模型学习的内容取决于它所接触的示例”(2016:10)。这就提出了一个关于“种族主义”算法的指控的重要问题:b谷歌的初始数据集是什么
The Multiplicity of Algorithms
27