Ο Διευθύνων Σύμβουλος και συνιδρυτής της Shaip, ο Vatsal Ghiya έχει 20 χρόνια εμπειρίας στο λογισμικό και τις υπηρεσίες τεχνητής νοημοσύνης στον τομέα της υγείας και επιτρέπει την κλιμάκωση κατά παραγγελία επιχειρηματικών διαδικασιών με πρωτοβουλίες μηχανικής μάθησης και τεχνητής νοημοσύνης. Αυτή η δυνατότητα επισκέπτη, ο Vatsal Ghiya έχει μοιραστεί βασικές πληροφορίες σχετικά με τον τρόπο εξάλειψης της προκατάληψης στο Conversational AI.
Το βασικό στοιχείο από το άρθρο είναι-
- Σύμφωνα με τα στατιστικά στοιχεία, το ποσοστό ακρίβειας της ανάκτησης αποτελεσμάτων μέσω της φωνητικής αναζήτησης σε Αμερικανούς άνδρες είναι 92%, αλλά αυτό μειώνεται στο 79% και στο 69% για τις λευκές Αμερικανίδες και τις μικτές Αμερικανίδες. Αυτό είναι ένα κλασικό παράδειγμα του Bias AI.
- Μερικά παραδείγματα από τον πραγματικό κόσμο της προκατάληψης AI περιλαμβάνουν το Amazon και το Facebook, όπου τα αρσενικά ευνοήθηκαν περισσότερο κατά τη στρατολόγηση στο Amazon και το Facebook στοχεύει τον πελάτη ανάλογα με το φύλο, το χρώμα και τη θρησκεία του. Αυτή η προκατάληψη στην τεχνητή νοημοσύνη προκαλείται από τρεις λόγους και αυτοί είναι τα δεδομένα, οι άνθρωποι και η τεχνολογία.
- Για την εξάλειψη της προκατάληψης της τεχνητής νοημοσύνης από οποιαδήποτε εφαρμογή και σύστημα, οι οργανισμοί μπορούν να ακολουθήσουν τα μέτρα, όπως η πιστοποίηση των πηγών και της ποιότητας δεδομένων, η παρακολούθηση του μοντέλου σε πραγματικό χρόνο και η ανάλυση της ποικιλομορφίας των δεδομένων πριν από τη χρήση της τεχνητής νοημοσύνης στις λειτουργίες τους.
Διαβάστε το πλήρες άρθρο εδώ:
