如今，机器学习模型被越来越多地用于为与人员相关的高风险决策提供信息。尽管机器学习就其本质而言是一种统计歧视形式，但当它使特权群体处于系统性优势，而某些弱势群体处于系统性劣势时，这种歧视就会变得令人反感，从而可能造成各种伤害。由于标签中的偏见或因采样不足/过度采样，训练数据中的偏差会产生具有意外偏差的模型。

• 多样化数据和具有代表性的数据

确保用于构建 AI 模型的训练数据具有多元化，且能代表其所服务的人群。包括来自不同人口群体的数据输入，以免出现代表性不足或偏差。定期检查并评估训练数据是否存在偏差。在训练模型之前，使用工具和方法来识别和纠正数据集中的偏差。

• 偏差感知算法

将公平性指标纳入开发流程，以评估模型的预测如何影响不同子组。监控并尽量缩小不同人口群体之间的结果差距。在此算法中应用约束，以确保模型在训练与部署期间均遵守预定义的公平标准。

• 偏差缓解技术

应用重新采样、重新加权和对抗性训练等技术来减少模型预测中的偏差。

• 多元化的开发团队

组建参与 AI 开发的跨学科与多元化团队。多元化团队可带来不同观点，从而帮助识别和纠正同质团队可能会忽视的偏差。

• 道德 AI 审查委员会

成立审查机构或委员会，以评估 AI 项目的潜在偏差和道德影响。此类机构可在整个开发生命周期中提供有关道德规范考量的指导。

强大的 AI 可以有效地处理异常情况，例如输入异常或恶意攻击，而不会造成意外伤害。它还可以保护已暴露的漏洞，从而抵御有意与无意的干扰。由于我们会越发依赖这些模型以及它们作为机密与专有知识积累所代表的价值，因而遭受攻击的风险便越来越高。这些模型会构成特有的安全风险，而我们必须考虑和缓解这些风险。

用户必须能了解此服务的工作原理、评估其功能并理解其优势和局限性。透明度的提高可为 AI 使用者提供信息，以便他们更好地了解 AI 模型或服务是如何创建的。此举有助于该模型的用户确定此模型是否适合特定用例，或是评估 AI 为何会产生不准确或有偏差的结论。

包括 GDPR 在内的很多监管框架都要求组织在处理个人信息时遵守某些隐私原则。如果某一恶意第三方能访问经训练的 ML 模型，则即便无法访问训练数据自身，该第三方仍可泄露有关使用其数据来训练模型的人员的敏感个人信息。对可能包含个人信息的 AI 模型提供保护并率先控制进入模型的数据，这一点十分重要。