MLU 免費課程：Responsible AI — 偏差緩解與公平性準則

一句話：AWS MLU 的免費入門課「Responsible AI — Bias Mitigation & Fairness Criteria」，用 30 支影片＋白皮書＋可執行程式碼走完 ML 生命週期每一站的偏差測量與緩解——從問題發想到部署，是少數「理論＋程式碼」全包且完全公開的負責任 AI 課。

課程內容

定位：入門級，不需 ML 背景；會一點 Python、高中數學即可。
結構：30 天份影片（Day 1 歡迎影片起），依序講 responsible AI 的各面向 → 資料整備（prepare data）→ 模型訓練中的偏差緩解（mitigate bias）→ 公平性指標。
配套：Fairness & Explainability 白皮書、GitHub 程式碼範例、期末專題：自選一種偏差緩解技術實作，降低模型對不同子族群的結果落差。
開發者：Mia Mayer（AWS 資料科學家），自身研究即機器翻譯性別偏誤評測資料集 MT-GenEval。
互補：AWS 同期的 AI Service Cards（用途、限制文件化）。

三個關鍵洞見

公平 ≠ 高性能

Mia Mayer 觀察到的學生頓悟點：把所有人全部拒絕的模型「技術上完美公平」但毫無用處。模型必須同時用性能與公平兩把尺衡量。

沒有萬能解法

偏差緩解技術在生命週期每一站都有多種選擇；重點是先理解偏差從哪來，而不是假設它不存在。

科學已可用

很多人量化了偏差卻不知下一步；這門課的主張是緩解方法學已成熟到能在生產環境落地。

我的觀點

2026 回看，這門課的時效性反而更強了。上線時歐盟 AI Act 還在草案階段；如今高風險 AI 系統的偏誤管控已是法定要求，台灣金管會也在 2024 年發布《金融業運用人工智慧(AI)指引》，六項核心原則裡「確保公平性、保護消費者權益」直接對應這門課的內容。免費教材裡能對齊監理語言的，這門最完整。
「全生命週期」是它的差異化。多數 fairness 教材只講訓練前測量（資料層偏差）；這門課從問題發想、資料收集、訓練、評估一路管到部署後監控，跟實務上的模型治理流程同構。
「拒絕所有申請人」的思想實驗值得寫進任何模型審查清單：公平性指標可以被退化模型騙過，永遠要成對檢視性能與公平。
局限：以 AWS 工具（SageMaker Clarify 等）為例的程式碼範例有平台綁定色彩；概念可遷移，套件要換掉。另外美國脈絡的案例（房貸、招聘）與亞洲市場的敏感屬性清單不盡相同，落地時要重列受保護子族群。

應用場景

保險核保／理賠模型審查

期末專題的做法（對不同子族群量測結果落差）可直接改造成核保模型的公平性驗收測試，對應金管會 AI 指引的公平性原則。

模型治理制度藍本

白皮書＋Service Cards 的文件化思路，可作為金融業 AI 使用揭露與內部稽核文件的起手架構。

資料科學團隊在職訓練

零成本、含實作的合規素養課；建議搭配公司自有資料做期末專題，訓完即產出一份真實偏差報告。

採購第三方 AI 的驗收清單

向供應商要求「性能＋公平」雙指標報告時，本課的指標體系就是現成的提問框架。

限制與提醒

全英文授課；術語密集，初學者建議先讀本站 ISLP 分類章節再回來看。
2022 年錄製：法規進度引用停在 GDPR／EU AI Act 草案期，最新法規狀態需自行補充。
程式碼綁 AWS 生態；非 AWS 用戶需自行轉換工具鏈。