你在看履歷篩選或貸款審核結果時，你會怎麼判斷它真正的作用？
你可以把它想成 AI偏見是指AI系統在訓練或決策過程中，由於資料、演算法或人為因素，產生不公平或歧視性的結果。
在 你在看履歷篩選或貸款審核結果時 這種情境裡，這個概念會直接影響你怎麼設計、怎麼評估、怎麼上線。
容易混淆
AI偏見 vs 統計偏差 AI偏見看的是結果會不會傷到某些群體，統計偏差看的是模型估計是否有系統性誤差。
AI偏見 vs 公平性 公平性是衡量與修正的標準，AI偏見是實際出現的不公平結果。
資料偏差 vs 標註偏差 一個來自資料分布，一個來自標記流程，兩者都可能把偏見帶進模型。
記住這句就好
先看它要解決的是什麼問題，再看它是不是最合適的方法。
實際案例
案例 1：履歷篩選 系統從過去錄取紀錄學到某些群體較常被錄取，結果新履歷也被同樣偏向處理。
案例 2：貸款審核 不同地區或族群若在訓練資料裡比例失衡，模型很容易把這個差異誤當成風險訊號。
深入了解
面向 重點 來源 資料分布、標註習慣、特徵設計、回饋迴路都可能把偏差放大。 檢查 要分群看模型表現，不能只看整體準確率。 處理 補資料、重加權、做公平性約束、上線後持續監控。
情境判斷
Q1（判斷題）： 一個模型把女性履歷的通過率明顯壓低，這比較像什麼問題？ → 這很像 AI 偏見，不是單純模型準不準，而是它對某一群人產生系統性不公平。
Q2（判斷題）： 如果你把性別欄位拿掉，偏見就一定消失嗎？ → 不一定，因為模型還可能透過郵遞區號、學校、工作經歷這些代理特徵推回同樣的群體差異。
常見問題
AI偏見可以完全消除嗎？
很難完全消除，因為它常常來自資料和社會結構。比較實際的做法是持續偵測、修正與審計。
只刪掉敏感欄位就夠嗎？
不夠，因為代理特徵常常還在，模型仍可能學到同樣的差別對待。
怎麼看一個模型有沒有偏見？
要分群看命中率、誤判率、通過率，再看不同群體之間是否差很多。