演算法公平框架

在人工智慧驅動的簡報軟體的背景下，「公平」超越了傳統的數據指標，包括視覺表示、文化設計規範和語言多樣性。 Slide Creator 的演算法公平框架是一種系統方法，用於識別、測量和減輕生成設計模型中的偏差。

設計偏差的挑戰

傳統的設計軟體通常預設以西方為中心的佈局模式、版面和圖像。如果人工智慧接受一組非多樣化的「成功」演示的訓練，它可能會無意中了解某些美學優於其他美學，從而可能邊緣化全球設計傳統或企業文化。

我們的三層公平審核

為了防止這種情況，Slide Creator 對每個模型更新實施了三重審核流程：

數據多樣性審計：我們精心策劃了 50 萬多個培訓設計模式，涵蓋廣泛的全球企業形象，確保我們的人工智慧能夠理解從簡約的矽谷美學到高密度財務報告和充滿活力的亞太行銷風格的一切。

推理奇偶校驗測驗：我們使用相同的提示但不同的品牌背景（例如，將科技新創品牌與傳統政府機構進行比較）運行「並行」生成測試，以確保人工智慧提供相同的設計質量，無論品牌的行業或規模如何。

人在環評估：我們聘請了不同的設計顧問小組來審查模型輸出在圖標選擇、圖像建議和佈局層次結構中是否存在「微偏差」。

圖像和圖標建議的公平性

潛在偏見最明顯的領域之一是人工智慧建議的視覺資產。幻燈片創建器利用中立表示協議對於所有自動圖像和圖示選擇：

圖標中立：我們優先考慮抽象的幾何圖標，這些圖標能夠傳達意義，而不依賴性別或文化特定的符號。

包容性圖像：我們與優質庫存庫的整合透過「包容優先」演算法進行過濾，確保建議的圖像反映所有行業的多元化全球勞動力。

輔助功能檢查：公平框架還強制執行 WCAG 2.1 AA 對比規則，確保產生的佈局對於有視覺障礙的用戶來說是「公平的」。

模型表現的透明度

我們相信，沒有透明度，公平就不可能存在。我們正在發布本地化版本公平卡我們的核心模型，記錄了我們訓練資料的人口統計和行業細分以及我們最新的偏差審計結果。

報告偏見問題

我們認識到，與演算法偏見的鬥爭永遠不會完全「獲勝」。我們邀請企業用戶和更廣泛的研究社群報告我們的人工智慧產生偏見、非包容性或文化不敏感內容的任何情況。這些報告將快速發送給我們的人工智慧基礎設施團隊，以便立即進行修復。