Ο Vatsal Ghiya, Διευθύνων Σύμβουλος και συνιδρυτής του Shaip στο πρόγραμμα ειδικών προσκεκλημένων μοιράστηκε κάποιες γνώσεις σχετικά με την προκατάληψη στη μηχανική μάθηση. Επιπλέον, τόνισε επίσης τον λόγο πίσω από τις προκαταλήψεις στο AI και τον τρόπο εξάλειψης της μεροληψίας στα μοντέλα AI/ML.
Τα βασικά συμπεράσματα από το άρθρο είναι:
- Από τις προτάσεις εστιατορίων έως την επίλυση εισιτηρίων υπηρεσίας, το chatbot AI χρησιμοποιείται όλο και περισσότερο σε βιομηχανίες όπως η υγειονομική περίθαλψη, οι τράπεζες και τα χρηματοοικονομικά, καθώς και η διόρθωση των μισθολογικών διαφορών. Με μεγάλο αριθμό περιπτώσεων χρήσης αυτό που γίνεται αναπόφευκτο είναι η δικαιοσύνη που σχετίζεται με την όλη διαδικασία.
- Η μεροληψία στο μοντέλο τεχνητής νοημοσύνης εμφανίζεται κατά τις φάσεις εκπαίδευσης όπου οι ειδικοί της τεχνητής νοημοσύνης τροφοδοτούν όγκους δεδομένων με ορισμένες κλίσεις και προτιμήσεις. Ιδιαίτερα υπάρχουν δύο τύποι προκαταλήψεων, η πρώτη η γνωστική προκατάληψη και η δεύτερη οι προκαταλήψεις που εμφανίζονται λόγω έλλειψης δεδομένων.
- Όμως, τα καλά νέα είναι ότι οι προκαταλήψεις στα μοντέλα τεχνητής νοημοσύνης μπορούν να εξαλειφθούν χρησιμοποιώντας το σωστό σύνολο δεδομένων μαζί με παρακολούθηση δεδομένων σε πραγματικό χρόνο και αντιπροσωπευτικά μοντέλα δεδομένων. Καθώς κυριαρχεί στην καθημερινότητά μας, είναι τελικά σημαντικό να είμαστε προσεκτικοί με τη συμβολή μας για να διατηρήσουμε την ποιότητα.
Διαβάστε το πλήρες άρθρο εδώ:
https://datafloq.com/read/how-to-handle-bias-in-machine-learning/
