破解數(shù)據(jù)被操縱之謎

danah+boyd

當(dāng)前，我們正目睹一場數(shù)據(jù)被濫用的大劇。限制數(shù)據(jù)濫用并且努力解決偏見數(shù)據(jù)和問題數(shù)據(jù)，成為解決科技對社會基石產(chǎn)生影響的重要條件。

簡而言之，我認(rèn)為大家應(yīng)該重新考慮，安全、公平到底意味著什么。本文從三個方向告訴我們，在數(shù)據(jù)驅(qū)動的世界中，我們的數(shù)據(jù)有可能被如何操縱。

操縱數(shù)據(jù)的原罪者-谷歌

1998年，兩個斯坦福畢業(yè)生決心著手解決主流搜索引擎存在的問題。

Sergey Brin 和 Larry Page合作撰寫了一篇論文，描述他們的網(wǎng)頁排序算法是怎樣解決搜索結(jié)果中垃圾網(wǎng)頁過多的問題。他們的想法意義非凡，如今被人們認(rèn)為是Google公司創(chuàng)立的基石。但是這一想法并未阻止人們不斷擾亂自己的網(wǎng)絡(luò)系統(tǒng)。事實(shí)上，谷歌的崛起不過增加了搜索引擎進(jìn)一步優(yōu)化的難度。

媒體炒作并不新穎。正如許多人所知，宣傳和社交媒體營銷的界線通常是模糊的。除此以外，那些通過點(diǎn)贊、評論和訂閱量等公共信號宣傳產(chǎn)品特點(diǎn)的公司都熟知，任何被創(chuàng)造的系統(tǒng)都將成為娛樂、利益、政治、意識形態(tài)和權(quán)力游戲的舞臺。甚至連國會現(xiàn)在都在為此斗爭。例如，自Rick Astley的歌曲《Never Gonna Give You Up》推出時隔20年后，有這么一群人決定幫他再登歌曲排行榜首。這樣做的目的并不是幫Rick Astley賺錢（盡管有此效果）。正如4chan等其他網(wǎng)站創(chuàng)造出的表情包，僅僅是為了娛樂。但通過這樣的方式，大量觀眾學(xué)會了如何讓某些信息被病毒式傳播或者其他的干擾網(wǎng)絡(luò)系統(tǒng)的方法。換句話說，他們學(xué)會了如何獲得注意力。通過這些行為，他們開發(fā)出了一套能夠造成嚴(yán)重后果的炒作策略。

像“披薩門”這類的事件并非偶然，這是一群網(wǎng)絡(luò)村民尋找愚弄信息系統(tǒng)的產(chǎn)物。（編者注，披薩門是美國大選期間發(fā)生的陰謀論，懷疑希拉里競選被曝出的電子郵件中包含利用一系列餐廳進(jìn)行人販子生意的暗語。這個陰謀論已經(jīng)數(shù)次被反駁和攻破，包括警察部門。）他們創(chuàng)造了許多被稱做“馬甲”的跨平臺網(wǎng)絡(luò)虛假賬戶，這些賬戶巧妙地影響媒體和其他勢力團(tuán)體，引發(fā)他們對精心設(shè)定的問題、博文和網(wǎng)絡(luò)視頻的關(guān)注。這種事件的編造并不是為了讓媒體信以為真，而是讓這些媒體傻傻地通過大量自有宣傳渠道否定它。這樣就產(chǎn)生了“反向效應(yīng)”，如此那些不相信媒體的人認(rèn)定這其中必有一些陰謀論，從而鼓勵一些人自發(fā)調(diào)查。

接著就有鋪天蓋地的評論要求“打開窗口”——或者說增加公共討論話題的尺度。媒體們被騙去散播問題事件。更有甚者，推薦引擎會被用于向問題事件的被動接受者推送更多相關(guān)內(nèi)容。舉個例子， 研究員Joan Donovan主要研究白人至上主義，工作之余，她打開Amazon，Netflix或是YouTube，沒有一個網(wǎng)站不向她推薦相關(guān)的音樂、視頻和其他周邊內(nèi)容。一些激進(jìn)分子也知道如何變本加厲制造問題。不用觸犯Twitter的任何保護(hù)機(jī)制，那些人可以想方設(shè)法利用公司廣告內(nèi)容放大白人優(yōu)越主義思想，引發(fā)關(guān)注社會公平群體的憤怒。

總體來說，這些伎倆是對算法系統(tǒng)的手動攻擊，但我們都知道，攻擊的方法一直在變化，不再僅僅是手動。而現(xiàn)在，一切即將再次改變。

脆弱的訓(xùn)練集

訓(xùn)練機(jī)器學(xué)習(xí)系統(tǒng)需要數(shù)據(jù)，而且是海量數(shù)據(jù)。盡管目前已經(jīng)建成了一批標(biāo)準(zhǔn)化語料庫，計算機(jī)科研人員、初創(chuàng)企業(yè)和大公司對于新的、差異化的數(shù)據(jù)的需求依然有增無減。

首當(dāng)其沖的問題就是所有數(shù)據(jù)都帶有偏見。從總體上看，人和社會的偏見反映得最為明顯。以當(dāng)下很紅的數(shù)據(jù)集ImageNet為例，人類根據(jù)形狀進(jìn)行分類的速度高于根據(jù)顏色進(jìn)行分類；受此影響，數(shù)據(jù)集最終會包含一些奇形怪狀的人造體。

在應(yīng)對社會偏見時，局面會變得更加混亂無章。Latanya Sweeney在谷歌上搜索自己的姓名時驚訝地發(fā)現(xiàn)，有廣告邀請她查詢自己是否有犯罪記錄。作為一名好奇寶寶式的計算機(jī)科學(xué)家，她決定在系統(tǒng)上跑一批常見的白人名字和黑人名字，看看哪些名字會招來廣告。不出所料，招來這種刑事類產(chǎn)品的都是黑人名字。這并不是因為谷歌知道怎樣看名字下菜碟，而是因為搜索用戶在搜索黑人姓名時，點(diǎn)擊刑事類廣告的幾率更高。谷歌學(xué)到了美國人的種族歧視，并“發(fā)揚(yáng)光大”，最終影響了全部用戶。

不論是對人進(jìn)行分類的數(shù)據(jù)還是由人進(jìn)行分類的數(shù)據(jù)，只要想以此為基礎(chǔ)建立系統(tǒng)，其中那些虛虛實(shí)實(shí)明明暗暗的文化偏見都將成為巨大的挑戰(zhàn)。不過還有一項新的挑戰(zhàn)正在日漸成型：散布在不同網(wǎng)絡(luò)中的人群和國家行為者。他們在社交網(wǎng)絡(luò)上興風(fēng)作浪，搜索引擎對于相應(yīng)數(shù)據(jù)的關(guān)注度卻與日俱增，而各家公司正是用這些數(shù)據(jù)來訓(xùn)練、改進(jìn)各自系統(tǒng)的。

舉個例子，假設(shè)用Reddit和Twitter的數(shù)據(jù)來做訓(xùn)練。這些公司在API上表現(xiàn)得非常大方，計算機(jī)科學(xué)家們長期以來也從這里抓取了大量數(shù)據(jù)來訓(xùn)練各種模型，試圖理解自然語言、圍繞鏈接開發(fā)源語言，以及追蹤社會模式。他們訓(xùn)練各種模型來檢測抑郁癥，為新聞排序、并參與到會話當(dāng)中。忽略了這些數(shù)據(jù)從一開始就不具有代表性這一個重要的點(diǎn)，絕大多數(shù)用這些API的工程師都相信他們可以清潔抓到的數(shù)據(jù)、并去除所有的問題內(nèi)容。但我向你保證，沒門兒。

不論刪除多少特定的subreddits、推文種類，抑或是忽略包含問題詞語的內(nèi)容，這些都不會讓你在那些誠心找茬的人面前占據(jù)先機(jī)。

我眼睜睜地看著無數(shù)人或者組織用盡各種方式想要混淆公共數(shù)據(jù)，大公司的系統(tǒng)也在他們的目標(biāo)范圍之列。他們試圖通過低空飛行避開雷達(dá)監(jiān)管。如果你沒有準(zhǔn)備好相應(yīng)的系統(tǒng)，從戰(zhàn)略層面去應(yīng)對這些早有準(zhǔn)備繞開你精心制定的計劃的人，你簡直不堪一擊。這與意外或自然內(nèi)容無關(guān)，甚至也牽扯不到帶有文化偏見的數(shù)據(jù)。這是那些試圖揣測你意圖的人故意施展的手段，將特意炮制的內(nèi)容注入到系統(tǒng)當(dāng)中。

打造技術(shù)抗體

數(shù)十年來，眾多公司都沒把這些安全漏洞當(dāng)回事，直到系統(tǒng)被突破的消息一次又一次地登上頭條。在應(yīng)對這個新問題上，我們還要重蹈覆轍嗎？如果你正在構(gòu)建數(shù)據(jù)驅(qū)動式的系統(tǒng)，你從現(xiàn)在就要開始考慮數(shù)據(jù)會以怎樣的方式、被誰污染，以實(shí)現(xiàn)何種目的。

測試文化在這個技術(shù)行業(yè)中已經(jīng)失去了生存的土壤。這個“鍋”社交媒體是逃不開的。15年前，靈光乍現(xiàn)之下，我們一頭扎向了“永久公開測試”的文化。我們邀請公眾成為我們的質(zhì)保工程師。但是內(nèi)部QA遠(yuǎn)比找BUG要復(fù)雜，它需要將對抗思維融入到設(shè)計和研發(fā)過程中。當(dāng)搞破壞的人就隱藏在公眾之中時，請大家為系統(tǒng)找漏洞的效果就不盡如人意了。進(jìn)一步來說，當(dāng)前不論是誰在一沒動機(jī)、二沒渠道的情況下，都沒法在私下里告知我們問題所在。有些記者會找到瞞天過海的方法，把系統(tǒng)變成新納粹主義的廣告，借此來嘲笑我們；也只有此時我們才會注意到問題所在。然而盡管如此，更多包藏禍心的行動者開始和我們的數(shù)據(jù)玩兒起來放長線釣大魚的游戲。

以生成性對抗網(wǎng)絡(luò)（GANs）為例。那些對此不太熟悉的人可以這樣理解：你手上有兩個無人監(jiān)督的機(jī)器學(xué)習(xí)算法，前者負(fù)責(zé)為具有評估功能的后者生成內(nèi)容。前者試圖騙后者接受“錯誤”信息。這樣操作旨在找到模型和數(shù)據(jù)隱空間之間的界限。我們需要更多這樣的研發(fā)項目，隨著真正的對抗思維直接融入到模型搭建過程中，測試文化在研究領(lǐng)域也走到了盡頭。但這些研究的作用非常有限。我們需要積極主動、目標(biāo)明確地構(gòu)建相應(yīng)文化，開展對抗測試、評估，并將之融入研發(fā)過程。我們需要構(gòu)建分析方法，評估我們使用的數(shù)據(jù)集中的偏見。我們還需要開發(fā)相應(yīng)的工具來監(jiān)督系統(tǒng)的運(yùn)轉(zhuǎn)情況，這方面需要的精力毫不遜于模型最初的搭建階段。我的同事Matt Goerzen認(rèn)為除此之外，我們還需要有策略地邀請白帽子中的牛人介入到我們的系統(tǒng)之中，幫助我們查漏補(bǔ)缺。

只需要想想我們要構(gòu)建怎樣的世界，這種好日子已經(jīng)一去不復(fù)返了。我們必須從戰(zhàn)略層面認(rèn)真思考，他人想要以何種方式操縱系統(tǒng)為非作歹。endprint