我们知道，深度学习是利用人工神经网络中相互通信的节点结构来实现的。要想建立一个 ANN，必须将计算和参数与我们提供的数据一起导入模型，并且必须采取预防措施，以确保这些计算将偏差和方差考虑在内。 

在机器学习中，偏差是指模型对数据做出假设或泛化的程度，其目的是使目标函数更容易学习。高偏差意味着模型在处理信息时（往错误的方向）进行了简化，走了“捷径”。 

方差是衡量每个数据点与平均值相差的度量值，或对数据集中数字间分布的统计测量。与偏差相反，方差是指模型对训练数据的敏感程度。高方差（或敏感度）意味着模型过于关注细节，而忽略了数据集中的基础模式。 

在机器学习模型中，当方差太高而偏差太低时，称为过拟合。当偏差高而方差低时，称为欠拟合。创建完美拟合并不容易，这种现象通常称为偏差-方差权衡（Bias-variance Tradeoff）。 

参数定义边界，而边界对于理解深度学习算法必须处理的大量数据至关重要。这意味着，过拟合和欠拟合通常可以分别通过使用更少或更多的参数来纠正。 

如果深度学习模型使用的训练数据存在统计学上的偏差，或者不能准确表示总体，则输出就可能存在缺陷。不幸的是，现有的人类偏见通常会传导到人工智能上，从而带来歧视性算法和偏见输出的风险。 

随着越来越多的企业利用人工智能来提高生产力和性能，至关重要的是制定相关策略，来尽量减少偏见。这要一开始就有包容性的设计，并且要更深远地考虑对所收集的数据是否代表足够的多样性。 

“黑匣子”是指人工智能程序在其神经网络中执行任务并且不显示其工作的状态。这就会造就一种情况——没有人（包括创建算法的数据科学家和工程师）能够准确解释模型如何获取特定的输出。黑匣子模型缺乏可解释性，所以将其用于高风险决策时可能会产生严重后果，尤其是在医疗卫生、刑事司法或金融等行业。