AI میں تعصب: کیا دیکھنا ہے اور اسے کیسے روکنا ہے

افلاطون کے ذریعہ دوبارہ شائع کیا گیا۔

فالونگ: 0

جیسا کہ قرض دہندگان استعمال کرنے کی طرف راغب ہوتے ہیں۔ مصنوعی ذہانت (AI)، انہیں اپنے ماڈلز سے تعصب کو دور کرنے کے لیے وقف ہونا چاہیے۔ خوش قسمتی سے ایسے ٹولز ہیں جو ان کی واپسی کو زیادہ سے زیادہ کرنے اور خطرات کو کم کرنے میں مدد کرتے ہیں۔

FairPlay.ai شریک بانی اور سی ای او کریم صالح اپنے کیریئر کا بیشتر حصہ AI اور مالی شمولیت کے سنگم پر رہا ہے۔ جبکہ ZestFinance میں EVP (اب Zest.ai)، صالح نے AI انڈر رائٹنگ کو اپنانے کے لیے قرض دہندگان کے ساتھ کام کیا۔ اوباما انتظامیہ کے دوران، اس نے ابھرتی ہوئی مارکیٹوں میں ترقی کے لیے دوستانہ منصوبوں میں سالانہ 3 بلین ڈالر کی سرمایہ کاری کی نگرانی کی۔

صالح نے طویل عرصے سے مشکل سے اسکور لینے والے قرض لینے والوں کے مسئلے کا مطالعہ کیا ہے، بشمول سب صحارا افریقہ، لاطینی امریکہ اور کیریبین جیسی ابھرتی ہوئی مارکیٹوں میں، صاف توانائی کے منصوبوں اور خواتین کاروباریوں کے ساتھ۔ وہ مالیات کی اعلیٰ ترین سطحوں پر بھی ابتدائی تحریری طریقوں کو تلاش کر کے حیران رہ گیا۔

صالح نے کہا، "نہ صرف انڈر رائٹنگ کے طریقہ کار انتہائی قدیم تھے، یقینی طور پر سلیکون ویلی کے معیارات کے مطابق، (ماڈل بنائے گئے تھے) 20 سے 50 متغیرات کے ساتھ، اور زیادہ تر ایکسل میں،" صالح نے کہا۔ "تمام فیصلہ سازی کے نظام میں جن کا سامنا مجھے رنگین لوگوں، خواتین اور دیگر تاریخی طور پر کم خدمت کرنے والے گروہوں کے لیے تفاوت کو ظاہر کرتا ہے۔ اس کی وجہ یہ نہیں ہے کہ جن لوگوں نے ان ماڈلز کو بنایا ہے وہ بد عقیدہ لوگ ہیں۔ یہ زیادہ تر اعداد و شمار اور ریاضی کی حدود کی وجہ سے ہے۔

انصاف کی جانچ کے ذریعے تعصب کو کم کرنا

اس کے شریک بانی کے ساتھ جان میرل، گوگل اور مائیکروسافٹ کے تجربہ کار، صالح کا خیال تھا کہ انصاف کی جانچ خودکار ہو سکتی ہے، جو قرض دہندگان کو مختلف گروپوں کے ساتھ کس طرح برتاؤ کرتا ہے اس میں حقیقی وقت کی نمائش فراہم کرتا ہے۔ وہ FairPlay کو دنیا کی پہلی منصفانہ-بطور-سروس کمپنی کہتے ہیں۔ اس کے کلائنٹ روسٹر میں شامل ہے۔ اعداد و شمار, مبارک پیسہ, سپلیش مالی اور وکٹائن.

FairPlay کسی کو بھی ایک الگورتھم استعمال کرنے کی اجازت دیتا ہے جو پانچ سوالوں کے جواب دے کر اس کی انصاف پسندی کا اندازہ لگانے کے لیے مؤثر فیصلے کرتا ہے:

کیا میرا الگورتھم منصفانہ ہے؟
اگر نہیں تو کیوں نہیں؟
کیا یہ زیادہ ایماندار ہو سکتا ہے؟
منصفانہ ہونے کے کاروبار پر کیا معاشی اثر پڑتا ہے؟
کیا انکار کرنے والوں کو یہ دیکھنے کے لیے دوسری نظر آتی ہے کہ کیا انہیں منظور ہونا چاہیے تھا؟

Capco اور SolasAI خطرے میں کمی کو بہتر بناتے ہوئے تعصب کو کیسے کم کرتے ہیں۔

کیپکو پارٹنر جوشوا سیگل مالیاتی خدمات کی فرموں کو ان کی تاثیر کو زیادہ سے زیادہ کرنے میں مدد کرتا ہے۔ کمپنی نے حال ہی میں الگورتھمک فیئرنس AI سافٹ ویئر فراہم کنندہ کے ساتھ شراکت کی۔ سولاس اے آئی مالیاتی خدمات کی صنعت میں AI کے استعمال سے متعلق خطرے کی تخفیف کو بڑھاتے ہوئے تعصب اور امتیاز کو کم کرنا۔

Capco کے جوش سیگل — جوش سیگل نے کہا کہ AI کے بہت سے فوائد ہیں، لیکن اداروں کو خطرات کو بھی سمجھنا چاہیے۔

سیگل نے کہا کہ اداروں کو چیلنج کیا جاتا ہے کہ وہ تیز تر اختراع کے چکروں کو اپنائیں کیونکہ وہ مسابقتی فوائد حاصل کرتے ہیں۔ بہت سے لوگ AI کی طرف دیکھتے ہیں لیکن انہیں خطرات کو سمجھنے کی ضرورت ہوتی ہے، جس میں ریگولیٹری معیارات کا کم ہونا بھی شامل ہے۔

SolasAI کے ساتھ مشترکہ حل تعصب کی توقع کرتا ہے اور الگورتھمک انصاف پسندی کو براہ راست کسٹمر کے ماڈل بنانے، آپریشنز اور گورننس کے عمل میں ضم کرکے فوری طور پر منصفانہ متبادل ماڈل تیار کرتا ہے۔

سیگل نے کہا، "AI دنیا کو ان طریقوں سے بدل رہا ہے جس کو ہم دیکھ سکتے ہیں اور نہیں دیکھ سکتے۔" "ایسے بہت سارے طریقے ہیں جو ہر قسم کے کاروباری فیصلوں کو فائدہ پہنچا سکتے ہیں، خاص طور پر قرض دینے کے فیصلے۔

"جبکہ بہت زیادہ ترقی کی صلاحیت موجود ہے، ان ماڈلز میں غیر ارادی تعصب کے رینگنے کا خطرہ بھی ہے۔ اور اس سے شہرت کا خطرہ پیدا ہوتا ہے۔ اس سے بعض کمیونٹیز کو پسماندہ کرنے کا خطرہ پیدا ہوتا ہے اور لوگوں کے ادارے پسماندہ نہیں کرنا چاہتے۔"

مزید پڑھئے:

تمام چیزوں کی AI کی جانچ پڑتال کا منصوبہ بنائیں

اداروں کو AI سے متعلق کسی بھی چیز کی جانچ پڑتال کی توقع کرنی چاہیے، میڈیا کی توجہ AI سسٹمز کے فریب کاری کے امکانات پر، جیسے کہ اچھی طرح سے مشہور کیس جہاں اس نے مختصر حمایت کے لیے عدالتی مقدمات کی ایجاد کی۔ اسے بینک اور فنٹیک پارٹنرشپ ماڈلز اور تاریخی طور پر پسماندہ گروپوں کے ساتھ ان کے سلوک پر ریگولیٹری فوکس میں شامل کریں۔

"...مالیاتی اداروں سے پوچھا جا رہا ہے کہ کیا وہ انصاف پسندی کو سنجیدگی سے لیتے ہیں،" سیگل نے کہا۔ "مالیاتی خدمات کی صنعت کے مستقبل کی نمائندگی کرنے والے ریگولیٹرز اور صارفین دونوں کی طرف سے ان پر زور دیا جا رہا ہے کہ وہ اسے زیادہ سنجیدگی سے لیں اور جب وہ انہیں مل جائیں تو مسائل کو حل کرنے کا عہد کریں۔"

تعصب کو کم کرنے کے لیے خود پولیس

مسائل جلد از جلد شروع ہو سکتے ہیں۔ صالح اور سیگل دونوں نے خبردار کیا کہ اپنے ماڈلز کو تربیت دینے کے لیے استعمال ہونے والے ڈیٹا کے معیار کی قریب سے نگرانی کریں۔ صالح نے کہا کہ ایک ابتدائی ماڈل جس کا اس نے استعمال کیا تھا اس نے ایک مخصوص چھوٹی ریاست کی شناخت ایک اہم قرض دینے والے علاقے کے طور پر کی۔ تشخیص پر، ایک انتہائی سخت ریاست کے طور پر جانا جاتا تھا میں کوئی قرض نہیں دیا گیا تھا. چونکہ کوئی قرض نہیں تھا، ماڈل نے کوئی ڈیفالٹ نہیں دیکھا اور فرض کیا کہ ریاست سونے کی کان ہے۔

صالح نے کہا، "اگر آپ ان کے استعمال کردہ ڈیٹا اور پھر ان کے چلائے جانے والے کمپیوٹیشنز کے بارے میں انتہائی چوکس نہیں ہیں تو یہ چیزیں غلطی کا باعث بنتی ہیں۔"

Fairplay.ai کے سی ای او کریم صالح — کریم صالح مشورہ دیتے ہیں کہ آپ اپنے AI ماڈلز کو تربیت دینے کے لیے جو ڈیٹا استعمال کرتے ہیں اس کے بارے میں ہوشیار رہیں۔

کچھ قرض دہندگان تعصب کے خلاف چیک کے طور پر متعدد AI سسٹم چلاتے ہیں۔ فیئر پلے بھی کرتا ہے۔ وہ مخالف ماڈلز کو لاگو کرکے مزید آگے بڑھتے ہیں جو الگورتھم کو ایک دوسرے کے خلاف کھڑا کرتے ہیں۔ ایک پیشن گوئی کرتا ہے کہ آیا کوئی دوسرا ماڈل اس بات کا تعین کر سکتا ہے کہ آیا درخواست گزار اقلیتی گروپ سے ہے۔ دوسرا ماڈل اگر ہو سکے تو تعصب کو ختم کرنے کے لیے فیصلہ کن سلسلہ کا مطالبہ کرتا ہے۔

(صالح نے پہلی بار مخالفانہ طریقہ آزمایا، اس نے رہن رکھنے والے کو دکھایا کہ وہ کس طرح بغیر کسی خطرے کے سیاہ فام درخواست دہندگان کی قبولیت کی شرح کو 10 فیصد تک بڑھا سکتا ہے۔)

انہوں نے مزید کہا کہ بہت سے انڈر رائٹنگ ماڈلز روزگار کی مستقل مزاجی پر سختی سے غور کرتے ہیں۔ یہ 18-45 سال کی عمر کی خواتین کو تکلیف دیتا ہے۔ ملازمت کی مستقل مزاجی پر انحصار کو کم کرنے کے لیے الگورتھم کو تبدیل کیا جا سکتا ہے جبکہ غیر متعصب عوامل پر وزن بڑھایا جا سکتا ہے۔

صالح نے کہا، "آپ اب بھی یہ انتہائی کارکردگی کا مظاہرہ کرنے والے اور پیش گوئی کرنے والے الگورتھم بنا سکتے ہیں جو تاریخی طور پر پسماندہ گروہوں کے لیے تعصب کو بھی کم کرتے ہیں۔" "یہ الگورتھمک انصاف اور کریڈٹ میں کلیدی اختراعات میں سے ایک رہا ہے۔ ہم ایک ہی کام کر سکتے ہیں، یہ پیش گوئی کر سکتے ہیں کہ محفوظ گروہوں کے لیے تفاوت کو کم کرتے ہوئے کون ڈیفالٹ کرے گا۔

"یہ ایک ایسا طریقہ ہے جس میں آپ ڈیٹا میں قدرتی تعصبات کی تلافی کے لیے الگورتھم کے اندر ساخت کو دوبارہ بنا سکتے ہیں۔ سیکھنے کے عمل کے دوران، آپ ماڈل کو اعداد و شمار کے عناصر پر انحصار کرنے پر مجبور کر رہے ہیں جو ڈیٹا عناصر کو وزن دیں گے جو ان کی پیشین گوئی کی طاقت کو زیادہ سے زیادہ کریں گے لیکن تفاوت سے چلنے والے اثر کو کم کریں گے۔"

ساکھ کے خطرے سے بھی آگاہ رہیں

سیگل کے کلائنٹس خطرے کو کم کرتے ہوئے زیادہ سے زیادہ فائدہ اٹھانا چاہتے ہیں۔ SolasAI کے ساتھ ان کا حل تعصبات کی نشاندہی کرتا ہے جبکہ اس بات کو یقینی بناتا ہے کہ وہ واپس نہ ہوں۔ مضمرات مارکیٹنگ، انسانی وسائل، اور برانچ کے مقامات کو قرض دینے سے بھی آگے بڑھتے ہیں۔

اداروں کو شہرت کے خطرے سے بچنا چاہیے، کیونکہ ٹیکنالوجی بہتر پیشکش پر سوئچ کرنا آسان بناتی ہے۔ اگر کسی ادارے کو کسی طرح سے متعصب سمجھا جاتا ہے، تو اسے سوشل میڈیا پر پھیلایا جا سکتا ہے۔ جیسا کہ حالیہ مثالوں سے ظاہر ہوتا ہے، فنڈز کو سیلاب آنے میں زیادہ وقت نہیں لگتا۔

سیگل نے کہا، "SolasAI… ایک ایسی کمپنی ہے جس کے بانیوں اور قیادت کے ساتھ منصفانہ قرض دینے اور AI ماڈل کی تعمیر میں دہائیوں کا تجربہ ہے۔ "ان کا حل، جو نہ صرف کسی ماڈل کے ممکنہ متغیرات یا خصوصیات کی نشاندہی کرتا ہے جو غیر ارادی طور پر تعصب کا شکار ہو سکتا ہے، (بھی) ان حالات کے متبادل پیش کرتا ہے اور ماڈل کی کارکردگی کو زیادہ سے زیادہ برقرار رکھتے ہوئے اس غیر ارادی تعصب کو کم کرنے کے طریقوں کے ساتھ آتا ہے۔ .

"کلائنٹس کے پاس آخر کار وضاحت کی اہلیت اور شفافیت ہے جس کی انہیں AI سے فائدہ اٹھانے کی ضرورت ہے اور اس بات کو یقینی بنانا ہے کہ وہ اسٹور کو ذہن میں رکھتے ہیں۔"

سیگل نے خبردار کیا کہ حالات کا اضافہ AI کی پیشین گوئی کی طاقت کو کمزور کر سکتا ہے۔ وہ شرائط کچھ منفرد بنانے کے بجائے اس کی ایک مخصوص سمت میں رہنمائی کر سکتی ہیں۔

سیگل نے کہا، "اے آئی کو اس کے نتیجے پر پہنچنے اور اسے ڈیٹا کا ایک مکمل سیٹ دینے کی بجائے، یہ ارتباط اور وجہ اور متغیرات کے ساتھ آنے والا ہے جو آپ اپنی انسانی آنکھ سے نہیں دیکھتے،" سیگل نے کہا۔ "یہ واقعی ایک اچھی چیز ہے جب تک کہ آپ اس بات کو یقینی بنا سکتے ہیں کہ اس نتیجے میں آپ کو کچھ نہیں چاہیے تھا۔"

AI پش کی ممکنہ وجوہات

کیا AI پر اس دباؤ کا ایک حصہ قرض دہندگان کی طرف سے حوصلہ افزائی ہے جو 15 سال پہلے کے مقابلے میں زیادہ نیچے کی طرف گاہکوں کی تلاش میں ہیں؟ صالح نے کہا کہ انڈر رائٹنگ کی روایتی تکنیک سپر پرائم اور پرائم کسٹمرز کو اسکور کرنے کے لیے بہترین ہیں جہاں کافی مقدار میں ڈیٹا دستیاب ہے۔ قرض دہندگان نے ان گروپوں پر توجہ مرکوز کی جو بنیادی طور پر آپس میں صارفین کی تجارت کرتے ہیں۔

حقیقی ترقی کم اسکور کرنے والے گروپوں، پتلی فائلوں، نو فائلوں اور بہت کم روایتی ڈیٹا والے گروپوں سے ہوتی ہے۔ 2008 سے، ان کے مختلف سلوک پر زیادہ توجہ دی گئی ہے، اور بینک ان کی خدمت کے لیے جدوجہد کرتے ہوئے نہیں دیکھنا چاہتے۔

اس نے فنٹیک جدت کو فروغ دیا ہے کیونکہ کمپنیاں انڈر رائٹنگ کی جدید تکنیکوں کو لاگو کرتی ہیں اور غیر روایتی ڈیٹا استعمال کرتی ہیں۔ اس نے کیش فلو انڈر رائٹنگ کو فعال کیا ہے، جو کاروباری بیلنس شیٹ کے بہت قریب ڈیٹا کا جائزہ لیتا ہے۔

صالح نے کہا کہ "کیش فلو انڈر رائٹنگ روایتی کریڈٹ رپورٹ کے مقابلے صارفین کی بیلنس شیٹ کے بہت قریب ہے۔" "آپ قابلیت اور ادائیگی کی خواہش کا بہت زیادہ براہ راست اقدام لے رہے ہیں۔ ریاضی اس قرض دہندہ کی ادائیگی کرنے کی صلاحیت کا ایک بہتر پورٹریٹ پینٹ کرنے کے لیے بہت سارے لین دین کا استعمال کر سکتی ہے۔

چھوٹی مچھلیاں کیسے AI کا مقابلہ کر سکتی ہیں۔

کچھ چھوٹی تنظیموں کی اپنے AI ماڈلز کو مناسب طریقے سے تربیت دینے کے لیے کافی ڈیٹا تیار کرنے کی صلاحیت کے بارے میں فکر مند ہیں۔ صالح نے کہا کہ چھوٹے قرض دہندگان کے پاس کئی اختیارات ہوتے ہیں، بشمول سیٹ ایکوزیشن، بیورو ڈیٹا، اور صارفین کی رضامندی۔ بڑی تنظیموں کے پاس ڈیٹا ہو سکتا ہے، لیکن چھوٹی تنظیمیں زیادہ فرتیلا ہیں۔

"بڑے لوگوں کو ان حیرت انگیز ڈیٹا ریپوزٹریوں کا ایک فائدہ ہے، اگرچہ، واضح طور پر، ان کے سسٹمز بہت سے معاملات میں، 30 سال سے زیادہ کے حصول کے لیے ایک دوسرے کے ساتھ جڑے ہوئے ہیں، کہ حقیقت یہ نہیں ہے کہ ان کے پاس ڈیٹا بیس ہے، یہ ضروری نہیں کہ وہ استعمال کے لیے موزوں ہوں۔ صالح نے کہا۔ "پھر آپ کو مارکیٹ میں آنے والے زیادہ حالیہ لوگ ملے ہیں جن کے پاس شاید بڑے لوگوں جیسا ڈیٹا نہیں ہے لیکن جو بہت زیادہ کھردرے ہیں، اور ان کا ڈیٹا آسانی سے استعمال کیا جا سکتا ہے۔

"مجھے لگتا ہے کہ ہر کوئی اس جگہ میں کھیل سکتا ہے۔"

اپنے کام کو ثابت کریں۔

ماضی میں، قرض دہندگان صرف درست ہونے کے ساتھ ہی حاصل کر سکتے تھے۔ صالح نے کہا کہ اب انہیں بھی منصفانہ ہونا پڑے گا، اور انہیں یہ ثابت کرنے کے قابل ہونا چاہیے۔

داؤ پر بہت کچھ ہے۔ فیئر پلے نے دریافت کیا کہ سب سے زیادہ اسکور کرنے والے سیاہ فام، بھورے اور خواتین میں سے 25% اور 33% کے درمیان انکار کرنے والے درخواست دہندگان نے بالکل اسی طرح پرفارم کیا ہوگا جو سب سے زیادہ قرض دہندگان منظور کرتے ہیں — قبولیت سے مسترد ہونے کو صرف چند پوائنٹس الگ کرتے ہیں۔

صالح نے کہا کہ صنعت کو درپیش اصل سوال یہ ہے کہ وہ کم امتیازی کریڈٹ کی حکمت عملیوں کو تلاش کرنے کے لیے کتنی محنت کرتی ہے۔ اگر کسی قرض دہندہ کو معلوم ہوتا ہے کہ ان کا ماڈل متعصب ہے، تو کیا وہ اس کا جواز پیش کرنے کی کوشش کرتے ہیں یا کم متعصب آپشن تلاش کرتے ہیں جو ان کے کاروباری مقاصد کو بھی پورا کرتا ہو؟

صالح نے کہا کہ قانون میں یہ ایک قانونی تقاضا ہے۔ "اسے سب سے کم امتیازی متبادل کہا جاتا ہے۔"

قانون قرض دہندگان کو یہ ظاہر کرتا ہے کہ ان مقاصد تک پہنچنے کے لیے کوئی کم امتیازی طریقہ نہیں ہے۔ انہیں یہ ثابت کرنا ہوگا کہ انہوں نے اپنے ماڈلز کا جائزہ لیا ہے تاکہ یہ معلوم کیا جا سکے کہ آیا کوئی بہتر متبادل موجود ہے۔

اور ایسا کرنے میں ان کی مدد کرنے کے لیے ٹولز موجود ہیں، جیسے ٹولز Capco/SolasAI اور FairPlay کے ذریعے پیش کیے گئے ہیں۔

صالح نے کہا کہ "ہمارے جیسے ٹولز بالکل منصفانہ اور بالکل درست کے درمیان متبادل حکمت عملیوں کی ایک موثر سرحد تیار کرتے ہیں۔" "اس سپیکٹرم کے ساتھ ماڈل کے سینکڑوں، کبھی کبھی ہزاروں متبادل قسمیں ہیں۔ کوئی بھی قرض دہندہ اس بات کا انتخاب کرسکتا ہے کہ ان کے کاروبار کے لیے مناسب تجارت کیا ہے۔

"میرے خیال میں یہ ایک ایسی ٹیکنالوجی ہے جسے آج بہت کم لوگ استعمال کر رہے ہیں اور ہر کوئی مستقبل قریب میں استعمال کرے گا۔"

ٹونی فنٹیک اور ALT-Fi اسپیسز میں طویل عرصے سے تعاون کرنے والا ہے۔ دو بار LendIt جرنلسٹ آف دی ایئر کے نامزد امیدوار اور 2018 میں فاتح، ٹونی نے پچھلے سات سالوں میں بلاک چین، پیئر ٹو پیئر قرضے، کراؤڈ فنڈنگ، اور ابھرتی ہوئی ٹیکنالوجیز پر 2,000 سے زیادہ اصل مضامین لکھے ہیں۔ اس نے LendIt، CfPA سمٹ، اور DECENT's Unchained، ہانگ کانگ میں ایک بلاک چین نمائش میں پینلز کی میزبانی کی ہے۔ ٹونی کو یہاں ای میل کریں۔.

.pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .box-header-title { font-size: 20px !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .box-header-title { font-weight: bold !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .box-header-title { color: #000000 !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-avatar img { border-style: none !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-avatar img { border-radius: 5% !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-name a { font-size: 24px !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-name a { font-weight: bold !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-name a { color: #000000 !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-description { font-style: none !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-description { text-align: left !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-meta a span { font-size: 20px !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-meta a span { font-weight: normal !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-meta { text-align: left !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-meta a { background-color: #6adc21 !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-meta a { color: #ffffff !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-meta a:hover { color: #ffffff !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-user_url-profile-data { color: #6adc21 !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-twitter-profile-data span, .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-twitter-profile-data i { font-size: 16px !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-twitter-profile-data { background-color: #6adc21 !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-twitter-profile-data { border-radius: 50% !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-twitter-profile-data { text-align: center !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-linkedin-profile-data span, .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-linkedin-profile-data i { font-size: 16px !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-linkedin-profile-data { background-color: #6adc21 !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .ppma-author-linkedin-profile-data { border-radius: 50% !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-author-boxes-recent-posts-title { border-bottom-style: dotted !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-multiple-authors-boxes-li { border-style: solid !important; } .pp-multiple-authors-boxes-wrapper.box-post-id-45383.pp-multiple-authors-layout-boxed.multiple-authors-target-shortcode.box-instance-id-1 .pp-multiple-authors-boxes-li { color: #3c434a !important; }