人们越来越倚重人工智能解决关键任务，因此机器学习是否具备包容性（Inclusive），能够良好兼容各种多样属性，成了重要的课题，脸书在研发其智能视频设备Portal时，发现人工智能进行图片识别时，对肤色以及性别存在偏见，因此发展出一个框架以打造具包容性的人工智能，并扩大应用到内部其他项目中。
脸书在F8大会分享了他们发展包容性人工智能的历程，事件就发生在脸书AR/VR技术业务主管Lade Obamehinti身上，该团队在Portal早期测试阶段，发现其人工智能相机作出了出乎意料的判断。由于Portal的相机会通过计算机视觉计算，根据人们在房间中的移动与分布，动态构图找出最适合容纳多个主体的视野，但是在某一次Lade Obamehinti说话且做出丰富的手势，Portal的人工智能并没有焦点放在Lade Obamehinti这个明显的兴趣点上，而是将镜头聚焦在另一名白人男同事身上。
Lade Obamehinti是来自尼日尔利亚的优秀女性，他发现，人工智能模型之所以会对不同的人，做出不一样的表现，部分原因在于用来训练模型的数据集存在限制与缺陷，由于人类天性就会对事物进行分类，如果不加以控制，则会造成人工智能系统出现偏差，而且还可能会放大人性负面的部分。为此脸书发展出一套包容性人工智能开发程序，其提供人工智能开发人员可依据的指南，帮助研究人员设计数据集、测量产品性能，以及测试包容性的系统。
当脸书把包容性考虑进人工智能的训练时，发现原本训练Portal智能相机模型的数据集，肤色以及性别的样本分布不均，而样本偏差会使得训练出来的人工智能服务，不完全适用于真实世界，因此Portal团队重新调整了数据集，使用更加平均的性别、年龄和肤色样本，并在验证以及训练模型时，遵守包容性人工智能指南，以最大程度降低Portal智能相机模型可能出现的风险。
Lade Obamehinti为脸书创建了一套程序，来描述包容性人工智能，其包含用户研究、算法开发以及系统验证，用户研究用来分析产品功能在不同的人出现的各式回应，算法则是关于数据集设计、训练与评估，而系统验证则专注于性能表现以及各项体验上。在过去一年中，脸书内部开始将包容性人工智能程序，导入到开发流程中，用来确保脸书与Instagram的照片滤镜，在各式肤色与因素下都能良好运行，Messenger中的AR特效，在各种脸部形状与肤色都能正确的表现。
但脸书也提到，并非每种应用都能应用包容性流程，因为在某些领域上，整个行业都没有足够具代表性的数据集，为了解决这样的问题，脸书正在推动创建全球用户研究，将包容性人工智能测试扩展到声音上，脸书表示，声音数据集需要考量方言、年纪以及其他更多的属性，才足以创建能够听懂不同人们说话的人工智能。
机器学习的包容性议题持续受到关注，特别是当机器学习的应用影响人们权益或是生命时，像是去年美国警方开始使用AWS Rekognition的人脸识别服务，美国公民自由联盟（American Civil Liberties Union，ACLU）指称系统存在识别误差，可能对无辜的人造成负面影响。另外，Google与美国军方合作的Maven计划，以人工智能识别无人机拍摄的物体，并以导弹摧毁这些对象，电子前线基金会（Electronic Frontier Foundation，EFF）则表示，人工智能仍处于难以控制的阶段，可能造成不必要的伤害。
也越来越多的学者提出对于人工智能的不信任，莱斯大学计算机科学副教授Genevera Allen发现，科学研究使用机器学习分析数据，但由于找到的模式只会存在于数据集，而非来自真实世界，将模式直接套用在真实世界，则会得到错误的结果。而台大信息工程所助理教授陈縕侬则提到，人工智能之所以存在偏见，是因为人们存在意识偏见，人工智能只是真实的学习人们提供给他们的数据。