你有沒有想過，AI 如果拿來篩履歷或核貸款，結果卻老是偏向某些族群，該怎麼辦？
你可以把它想成，模型不只要答對，還要避免系統性偏袒某些人。
公平性不是把所有人都當一樣，而是要檢查資料、規則和結果有沒有把某些群體放在不利位置。
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
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。
iPAS 考題
Q：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。
Q：公平性常要搭配哪類措施？ → 資料平衡、閾值調整、偏差檢查與持續監控都很常見。
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。