[发明专利]识别不伤害人类的人类的人工智能伦理方法和机器人

权利要求书

1.一种人工智能方法，其特征在于，所述方法包括：

第一信息类型获取步骤：获取K种预设类型，作为K种第一信息类型；

第一对象类别获取步骤：获取深度学习模型的训练数据集中的所有对象所属的类别，作为第一对象类别；

第二对象类别获取步骤：获取所述第一对象类别的需检测和防范偏见的所有子类别的数量M，将所述M个子类别作为M个第二对象类别；

第一类别分类准确率计算步骤：将K种第一信息类型作为第一样本信息类型，将第一对象类别的对象作为第一样本对象，计算得到分类预测准确率P1，作为第一类别分类准确率；

第j子类别分类准确率计算步骤：将K种第一信息类型作为第一样本信息类型，将第j种(j＝1，2，…,M)第二对象类别的对象作为第一样本对象，计算得到所述分类预测准确率P1，作为第j子类别分类准确率P1j；

第i种第一类别分类准确率计算步骤：将第i种(i＝1，2，…,K)第一信息类型从K种第一信息类型中删去，得到的K-1种第一信息类型，作为第一样本信息类型，将第一对象类别的对象作为第一样本对象，计算得到所述分类预测准确率P1，作为第i种第一类别分类准确率P1i；

第i种第j子类别的分类测试准确率计算步骤：将第i种(i＝1，2，…,K)第一信息类型从K种第一信息类型中删去，得到的K-1种第一信息类型，作为第一样本信息类型，将第j种(j＝1，2，…,M)第二对象类别的对象作为第一样本对象，计算得到所述分类测试准确率P1，作为第i种第j子类别的分类测试准确率P1ij；

第i种第一信息类型与第二对象类别的相关度评估步骤：对j＝1，2，…,M，计算第一类别分类测试准确率与第i种第一类别分类测试准确率的差异度DFi，计算每一子类别分类测试准确率与第i种每一子类别分类测试准确率的差异度DFij，根据DFi与DFij计算第i种第一信息类型与第二对象类别的相关度的衡量指标Q1i；

K种第一信息类型行为评价步骤：将所述K种第一信息类型作为第三信息类型，计算得到M种第二对象类别的行为评价测试准确率的平均值AAM，作为OldAAM，计算得到M种第二对象类别的行为评价测试准确率的标准差ADM，作为OldADM，计算得到M种第二对象类别的行为评价测试偏见率IM，作为OldIM；

筛选集合初始化步骤：将K种第一信息类型加入筛选集合；

开始尝试步骤：从所述筛选集合中提取未标记为已删除或不能删除的且Q1i最大的第一信息类型，作为第四信息类型，在所述筛选集合中将所述第四信息类型标记为待删除；

第三信息类型行为评价步骤：将所述筛选集合中未标记为待删除、已删除的所有第一信息类型作为第三信息类型，计算得到M种第二对象类别的行为评价测试准确率的平均值AAM，作为NewAAM，M种第二对象类别的行为评价测试准确率的标准差ADM，作为NewADM，M种第二对象类别的行为评价测试偏见率IM，作为NewIM；

可删除判断步骤：判断是否满足预设条件，若满足，则在所述筛选集合中将所述第四信息类型标记为已删除，若不满足，则在所述筛选集合中将所述第四信息类型标记为不能删除；所述预设条件包括NewAAM(OldAAM-预设容忍阈值)且NewADMOldADMM且NewIMOldIM，或包括NewAAM(OldAAM-预设容忍阈值)且NewADMOldADMM，或包括NewAAM(OldAAM-预设容忍阈值)且NewIMOldIM；

执行控制步骤：判断所述筛选集合是否还存在未标记为已删除或不能删除的第一信息类型，若存在，则回到所述开始尝试步骤重新执行上述步骤，若不存在，将最新的行为预测深度学习模型，作为消除偏见后的行为预测深度学习模型，将所述筛选集合中标记为不能删除的第一信息类型作为第二信息类型。