公平性 是什麼？

Fairness — 公平性 的完整解釋

AI 公平性要求模型對不同族群的決策結果無系統性歧視，需透過資料平衡與演算法設計確保一致待遇，是負責任 AI 的核心原則。

容易混淆

公平性 vs 準確率 準確率只看結果對不對。 公平性還要看不同族群是不是被同樣對待。 最關鍵的區別：答對了沒有，和有沒有偏袒。

公平性 vs 偏差 偏差通常是模型或資料本身帶來的傾斜。 公平性是在想辦法檢查和修正這種傾斜。 最關鍵的區別：問題來源，還是修正目標。

公平性 vs 隱私 隱私在乎資料能不能被看見。 公平性在乎不同群體有沒有被公平對待。 最關鍵的區別：資料保護，還是結果公正。

記住這句就好

不只要答對，還要答得公正。

實際案例

貸款審核 銀行若只看歷史資料，可能把過去的偏見學進模型。 Before：只看通過率。After：檢查不同族群的錯誤率和拒絕率，才知道有沒有偏。

徵才篩選 履歷模型可能因為訓練資料不平衡，對某些學校或背景特別有利。 Before：只追求錄取預測準不準。After：還要確認不同族群都沒有被系統性排除。

深入了解

公平性通常要先定義你在乎哪種公平，例如群體公平、機會公平或預測公平。

接著要看資料來源、標註方式、閾值設定和後續監控，因為偏見可能藏在每一層。

有時候要靠資料重加權、閾值調整、後處理或模型設計一起修正，沒有單一萬靈丹。

情境判斷

Q1（直覺題）： 為什麼 AI 系統不能只看準確率？

→ 因為結果看似很準，仍可能對某些族群不公平。

Q2（判斷題）： 如果一個模型整體準確率很高，就代表它一定公平嗎？

→ 看情況。整體準確率高，不代表每個族群的錯誤率都平衡，所以還要做分群檢查。

公平性 在 iPAS 考試中的重點

根據歷年統計，公平性 相關題目 平均佔 AI 技術類考題 2%， 屬於未分類考範圍。

常見出題方向：AI 倫理與社會影響（40%）、AI 系統偏見與公平性評估（35%）、負責任 AI 發展原則（25%）。

常見問題

怎麼衡量公平性？

常用指標有統計均等差異、機會均等差異和預測均等差異。

公平和隱私會衝突嗎？

會，有時要知道族群差異才能檢查偏誤，所以得在兩者之間找平衡。

誰該負責公平性？

資料、模型、產品與政策團隊都要一起負責，不是單一職位能解決。