Vatsal Ghiya, generální ředitel a spoluzakladatel Shaip ve funkci speciálního hosta, se podělil o některé poznatky o zaujatosti ve strojovém učení. Kromě toho také zdůraznil důvod zkreslení v AI a jak eliminovat zkreslení v modelech AI/ML.
Hlavní postřehy z článku jsou:
- Od návrhů restaurací až po řešení lístků do servisu je AI chatbot stále více využíván v různých odvětvích, jako je zdravotnictví, bankovnictví a finance, a napravuje rozdíly ve mzdách. S velkým počtem případů použití se nevyhnutelností stává spravedlnost spojená s celým procesem.
- Zkreslení v modelu umělé inteligence nastává během tréninkových fází, kdy odborníci na umělou inteligenci předávají objemy dat s určitými sklony a preferencemi. Konkrétně existují dva typy zkreslení, první kognitivní zkreslení a druhé jsou zkreslení, ke kterým dochází kvůli nedostatku dat.
- Dobrou zprávou však je, že zkreslení v modelech umělé inteligence lze eliminovat použitím správné sady dat spolu s monitorováním dat v reálném čase a reprezentativními datovými modely. Vzhledem k tomu, že dominuje našemu každodennímu životu, je nakonec důležité být s našimi vstupy opatrný, abychom zachovali kvalitu.
Přečtěte si celý článek zde:
https://datafloq.com/read/how-to-handle-bias-in-machine-learning/