數字最客觀，所有決策都該交給大數據決定？他道出新科技最可怕風險，令人毛骨悚然

隨著科技的發展，數據的蒐集、儲存、處理，變得越來越容易，這也使得越來越多決策能夠依賴數據做出。舉凡每個人可以貸款到多少錢、看到什麼樣的廣告、甚至用什麼樣的價錢買到某些物品，都能夠被過往的行為數據決定。然而，這樣的發展真的對我們是好的嗎？ 

分類的問題

在談這個之前，我想先談談「分類」的問題。我們非常傾向去做「分類」，甚至透過「分類」幫助我們做決策。例如看到一個穿著全套西裝、噴著香水的男人，我們可能下意識的會覺得他年薪很高 ; 或者是看到一個年輕人，就覺得他應該是學生。類似像這樣的分類以及推論的過程，通常是擁有某種特質的個體，有很高的比例同時也擁有另一特質以此作為推論的合理性。這樣的推論無所不在，小至喜不喜歡一個人、要不要買某間店的早餐，大至要不要貸款給某個人、要不要做某個產品，都是基於這樣的邏輯。

人為決策的彈性與機器決策的精確

在過去，像是這樣的「分類」問題，時常是由人來完成的。簡單的像是，警察在路上看到誰符合自己經驗中的「壞人」（例如：行蹤可疑、穿著怪異），就上前盤查 ; 更複雜一點的像是，銀行的審核貸款的人員，根據對某個個人、或是某間公司提交的所有數據，根據某些自身經驗（例如：年紀較輕的比較容易還不了款、年收入較高的比較還的起款），決定是否要貸款給某人、乃至貸款的利率為何。因為是人為決策，就帶有人為決策的彈性。這包含兩個層面：(1) 個人的主觀性：每個人有不同的判斷邏輯，因此就算某個核貸專員從過去到現在標準都一致，但因為每個人的標準不一樣，由不同的人處理到就會有不同結果，例如：一個人看年收入、一個人看性別。(2) 個人決策的變動性：人的標準通常是不一定的，很少能夠從以前到現在都一致，例如：過去都是看年收入，突然發現過去有個年收入很高的貸款人還是欠款了，決定以後都看性別。 這在機器而言完全不一樣。首先，不像人類能處理的資料筆數有限，機器能處理的資料理論上筆數是無上限的，只要再擴充機器、增加配備就好，因此不存在「不同機器評分不同」這種事 ; 再來，機器的標準在訂出之後，除非人為刻意改變，否則隨時間推移是不會改變的。這帶來的是更多的客觀、以及非隨機性。同時，機器因為可以透過大量資料的訓練（且看「大數據」的浪潮），相比於人們的經驗有限（且看 alphago 對上歷屆棋王），理論上而言，可以達到更精確的預測。 （相關報導： 擺脫沉重零錢吧！新手「行動支付」全攻略，一次看懂操作方式，什麼pay都不用怕 ｜ 更多文章 ）

客觀與精準

我們一般來說，會希望一項預測機制越客觀、越精準越好，這在貸款的領域代表越能夠完整預測誰會欠款誰不會，就能有更好的營收表現 ; 在犯罪預防的領域代表越能夠完整預測誰是壞人，自然能夠更好的預測犯罪。然而，如果我們發現某些具爭議性的「分類」，最能夠完美預測某些特質呢？ 例如，假設我們發現，黑人跟白人的犯罪率有重大差異，基本上看到黑人就可以確定他 / 她有高達 87% 可能是壞人？又或者，我們發現只要是女性，就有 87% 的機率可能發生交通事故？此時，我們該看到黑人就把他 / 她攔下來盤查、看到女性就要她多考兩關才能取得駕照嗎？這聽起來是最具「效率」的解方，也是最「客觀」和「精準」的，但它是我們最能接受的嗎？

分類的問題在哪裡？

如此「客觀」與「精準」的分類，至少存在兩種問題：(1) 可能性的喪失： 之所以我們通常會反對將例如「種族」、「性別」等做為分類依據，原因在於如此一來我們很可能會加深既有的偏見與不平等。試想若在五十年前，我們將「性別」做為要不要錄取某個人為某個職位的標準，就會因為過去沒有或是很少女性，也就連帶導致新的女性無法進入那個職缺，也將使得女性一直都無法進入那個職缺…如此一來，我們無疑是在強化既有的社會結構而已。這點在「性別」、「種族」上面是如此，「居住地區」、「就讀學校」等雖然不完全是社會結構的產物，但也與之高度相關。(2) 忽略人的自由意志：如同各式科幻電影裡面所描寫的，如果你被說有 99% 的機率會犯罪，所以要先把你關起來，你服嗎？不服啊！為什麼？因為我們多半相信，就算我身上的各種標籤（年輕、低收入、學歷差、朋友中很多壞人…）都指向我很可能會犯罪，這不代表我一定會犯罪啊！這當中的差異在於自由意志。各種電影、書籍之所以熱血，多半在於他們描寫了一個在客觀條件上很差的人，如何突破各種重重難關、以及社會的歧視，最後達成了人人稱羨的目標，這不正是自由意志的展現？

機器預測的危險性

綜觀以上討論，越是「客觀」、「精準」，我們有越大的機率喪失「可能性」、越忽略我們在各個抉擇當中的「自由意志」。而這當中，機器比起人類，又更可能達到完全的「客觀」「精準」。試想當未來所有的貸款都得透過機器評分，如此一來劣勢族群（女性、少數族群、教育程度較低、收入較低）將比起以前更難獲得貸款、也更難獲得好的利率 ; 如果未來每個人都有一個犯罪傾向分數，只要分數高於一定的值就會被加倍關心、甚至預先羈押，如此前述劣勢族群，不但無法獲得資金、甚至連日常生活都要受限。 當我們所有的決策日益「機器化」、「數據化」，這些判斷變得越來越精準和客觀，前述的世界也就越來越接近真實。事實上，例如臉書、Twitter 上面潛在恐怖主義的預測，已經略有跡象 ; 更不要提大陸的阿里巴巴推出的芝麻信用，透過你的社交行為、消費記錄等對你的「可信任程度」做出預測並給出分數，已被廣泛運用於貸款、消費、押金等項目的決定。可以想像未來劣勢族群的「劣勢」標籤，將比起以往更加牢固 ; 社會結構也會變得越來越難抵抗。

結語：如何平衡？

話雖如此，但我們都知道，我們不可能抵禦、甚至也不需要完全抵禦數據化、機器化所帶來的精準與客觀。在這個大前提之下，我們該如何確保數據被應用於改善決策品質的同時，仍然能夠保留結構的能動性、以及對自由意志的尊重？這是所有應用數據作決策的個人需要隨時謹記在心、不斷思考的事。

文/TYCHEN927本文經授權轉載自維京人酒吧（原標題：數據決策的美麗與哀愁） （相關報導： 擺脫沉重零錢吧！新手「行動支付」全攻略，一次看懂操作方式，什麼pay都不用怕 ｜ 更多文章 ）

責任編輯/林安儒