“算法”已悄无声息地“占领”了人们的生活。

前段时间，市场监管总局、国家网信办等七部门联合发布《关于落实网络餐饮平台责任切实维护外卖送餐员权益的指导意见》，其中要求，网络餐饮平台不得将“最严算法”作为考核要求，并通过“算法取中”等方式，合理确定订单数量、准时率、在线率等考核要素，适当放宽配送时限。

近日，麻省理工学院（MIT）的研究人员开发出一种新的概率编程语言（SPPL）。开发者称，它可以更准确、更快速地评估算法的公平性，相关研究已在美国计算机学会编程语言专业组（ACM SIGPLAN）《编程语言设计与实现国际会议论文集》上发表。

概率编程能否维护外卖送餐员权益，能否解决大数据“杀熟”等算法“痼疾”？

概率编程“登场”

麻省理工学院的研究人员发现，司法系统、银行和商家正一步步依赖算法，做出各种影响人们生产生活的决定。遗憾的是，这些算法有时是有“偏见”的，譬如，当有色人种和低收入阶层者申请贷款或找工作时，甚至当法院决定他们在等待审判前该缴纳多少保释金时，都会因算法问题产生不同的结果。

“SPPL针对某些模型进行了优化，因此它能以原来数千倍的速度，提供更公平的解决方案。”该论文第一作者、麻省理工学院电气工程和计算机app博士Feras Saad说。

这种概率编程是编程语言和人工智能交叉的一个新兴领域，旨在使人工智能系统更容易开发。研究者称，SPPL的工作原理是将概率程序编译成一种称为“和积表达式”的专用数据结构，并进一步使用概率电路实现高效概率逻辑的表达。因此，它为概率推理问题提供了快速、准确的解决方案。例如，对“向40岁以上的人推荐贷款的可能性有多大？”这样的问题，SPPL可以对可能的推荐对象进行收入、信用、工作稳定性等分类方式的概率模型进行编码，可以解决不同肤色及社会经济地位者被推荐贷款的概率差异问题。

“理论分析和大规模实际验证均表明SPPL是实用的。”波士顿学院副教授、甲骨文实验室前app家Jean Baptiste Tristan说，“由于编程语言的表达能力、精确而简单的语义以及精确符号推理引擎的速度等优势，SPPL在这类具有挑战性和重要性的问题上，提供了更高的灵活性和可信度。”

解析“概率编程”

“MIT开发的这个系统是在既有概率编程模型之上，对计算效率机械能优化的产物。理论上，这类公平问题大部分机器学习方法都是可解的，只不过统筹解决问题的效率偏低。”清华大学软件学院副教授邓仰东告诉《明升中国app报》，“相对而言，SPPL可以实现一部分问题的精确验证，从而保障公平性。”

邓仰东解释说，程序的核心要素是“变量”，传统程序中的变量在一定时间点上取一个固定的数值，该数值由计算流程和输入确定，多次执行时，只要输入一定，其中变量取值也是固定的。但在概率编程中，“变量”可以是服从某种概率分布的“概率变量”。当程序执行到某个时间点，即使其他所有条件都一样，概率变量数值也不是固定值，但其取值遵循一定概率分布。例如，我们取一个高斯概率变量，程序“跑”上万次、几十万次后，如果把这个变量的取值画成曲线，我们可以看到这些取值会分布在高斯钟形曲线附近。机器学习问题的求解通常体现为对概率分布的操作，概率编程使得我们可以直接对概率分布进行计算，从而简化了程序设计。

机器学习有几大流派，包括符号学派（以符号逻辑为基础）、联结学派（以神经网络为基础）、控制学派（以控制轮为基础）等。目前影响较大的是联结学派，代表性方法是使用深度神经网络进行机器学习，而且其最成功的应用体现在监督式学习任务中。监督式学习需要人先给机器学习样本打标签，而该过程就会掺杂主观因素。比如，判断一个人是否好看，东方人、非洲人和欧美人会有不同的标准，这就造成了人工智能的“算法偏见”。

“深度神经网络中，样本的偏见是固有的、无法消除也无法验证的。而MIT的SPPL相对来说验证模型准确，但适用的范围有限。在解决某些概率或机器学习方面的问题上，概率编程确实可以从数学逻辑上验证它是否相对公正。”邓仰东说，“它有利于解决一些能够精确评估概率的公平性问题，例如在金融欺诈预测问题上精确评估数据和模型的准确性，但和我们当前说的‘算法取中’，解决大数据杀熟是两码事。”

“算法”需要监管

“算法可以通过获得的数据判断人的身份、消费习惯等，如果商家依据此类信息进行差异化营销，对不同的人推荐不同的产品、不同的方案，甚至对部分人屏蔽一些信息等，就会出现大数据‘杀熟’现象。”明升中国计算机学会秘书长唐卫清对《明升中国app报》说，“我个人理解，技术无法完全解决大数据‘杀熟’的问题，解决这类问题还要靠严格的监管。”

邓仰东同样认为，国内送餐、快递行业目前面临的“严格算法”问题、部分APP的大数据杀熟问题，“本质上不是技术方面的问题，可能还是管理制度和社会监督方面的问题”。

“快递平台进行‘数据压迫’时，它的数据是准确的，是不带‘偏见’的。”邓仰东说，“送同样的路程，大部分人需要10分钟，但确实有人能够做到3分钟就送达，管理者不能用最快的3分钟要求所有的人，不能使用‘最严算法’。”

邓仰东解释说，比如有20个快递员，其中最快的用3分钟完成，但是所有人完成送件的中值是10分钟。“算法取中”就是用中值来要求所有人，它肯定比用“最严算法”要求的3分钟好很多，更公平一些，但事实上还存在一些问题。

“中间值是10分钟完成，就是说有50%的人在10分钟完成，还有另外50%的人10分钟是不能完成的。”邓仰东说，“假如所有的快递员都努力加快速度，都在10分钟之内完成了，那么这个‘中间值’就又变了，这同样会造成要求越来越严格。所以‘算法取中’只是相对好些，并不能解决所有的问题。”

邓仰东认为，解决网络平台对快递员的“数据压榨”及APP的大数据杀熟等问题，还需要有种监督和制衡的机制。快递平台也需要有激励和考核办法，如果这个“中间值”取得太高，可能会导致整体送餐效率降低，消费者满意度会下降。这实际上是三方的一种博弈，要兼顾消费者、快递员和数据平台的公平和效率问题，需要有个监督和制衡的机制来解决问题。

相关论文信息：http://doi.org/10.1145/3453483.3454078