创造了机器学习系统要确保系统是合理公平，合理无偏见的，并且在应用中采用了伦理的方法，
例如一些招聘工具歧视女性，
人脸识别总是吧深色皮肤的人与犯罪照片匹配
有些系统在发放银行贷款的时候存在偏见，其实某一些子群体
希望算法不会出现强化刻板印象
除了偏见和对待个人的公平问题
机器学习还存在一写不良使用案例或者说是负面使用案例，
例如使用宽度和深度伪造视频，如黑化总统奥巴马，
用机器学习生成虚假内容，用机器学习构建有害产品，或者欺诈
让机器学习更公平的意见
在造成危害系统之前，尝试组件一个多元化的团队来集思广益，讨论可能出错的事情，特别关注对弱势群体可能造成的伤害，
进行文献搜索，查找所在行业的特定领域的任何标准或者指南，
例如在金融行业，贷款系统如何才能被认为是合理的，公平且无偏差的，这些在不同领域出现的标准可以可以根据我们正在从事的工作来指导工作，
在识别出可能得问题之后，根据这些已识别的可能危害维度对系统进行审计，在部署前是有用的
例如在自动驾驶汽车上路之前自动驾驶汽车团队都已经制定了对车辆发生事故的缓解计划，以便在车辆发生事故之后，可以立即执行缓解计划，而不是在事故发生之后从匆忙想办法，
