Covid-19使全世界的衛生系統不堪重負。當時，用于患者的床位和通風機以及用于醫務人員的防護裝備不足以使人四處走動。這意味著特別是在發達，衛生系統必須采用某些技術來有效地分源。人工智能就是其中之一，它在對抗方面的重要性不斷提高。

由紐約大學研究人員開發的一款應用程序，利用人工智能和大數據預測Covid-19病例的嚴重性，至少從理論上講就是該技術如何幫助資源分配的一個很好的例子。研究人員使用了來自武漢160家醫院的患者數據，確定了四種生物標志物，這些生物標志物在死于病毒的患者中明顯高于在康復中的患者。該應用程序基于輸入到AI模型中的數據，為患者分配嚴重性評分，臨床醫生可以使用該評分做出明智的護理和資源分配決策。

公平，性別與平等研究中心的Genevieve Smith和Ishita Rustagi寫道，盡管AI可以給戰場帶來積極影響，但所使用的基礎數據中的缺陷可能會加深性別和種族群體之間已經存在的不平等現象。加州大學伯克利分校哈斯商學院的領導力，發表在《斯坦福大學社會創新評論》上。

有趣的是，這些數據可靠性問題并非時代所固有。實際上，AI及其機器學習和深度學習的子集(僅舉幾例)受到數據偏差和數據質量難題的困擾。

這里的主要討論是關于區塊鏈如何幫助解決這些數據可靠性問題。但是，首先了解數據偏差的來源很有價值。

另外，在數據收集階段，由于收集的數據不能代表現實或反映了現有的偏見，因此偏差可能會漏進去。例如，如果您向深度學習模型提供了更多特定皮膚顏色的照片，則后續的面部識別系統將更好地識別訓練數據中的主要皮膚顏色。

關于收集反映現有偏見的數據，亞馬遜亞馬遜據報道，在發現基于AI的招聘系統偏向女性后，該系統放棄了該系統。一組研究人員在2019年發現，將其帶回到醫療保健中，該算法被許多醫院用來預測風險并隨后分源，使患者勝于黑人而不是黑人。

兩種基于區塊鏈的方法來提高數據質量

挖掘得越深，就會發現更多的偏見。考慮到這些問題的復雜性，沒有唯一的解決方案。但是，專家們同意的一件事是對數據多樣性的需求。為了實現這種數據多樣性，提高數據的透明度以及強大的協作可以改善這種情況。在這里進入區塊鏈技術。通過設計，該技術只能通過多方協作來維護網絡。這可能為機器學習模型及其所提供的數據帶來透明度，去中心化和可驗證性。