মেশিন লার্নিং (এমএল) মডেলগুলি সহজাতভাবে উদ্দেশ্যমূলক নয়। এমএল অনুশীলনকারীরা মডেলকে প্রশিক্ষণের উদাহরণের একটি ডেটাসেট খাওয়ানোর মাধ্যমে প্রশিক্ষণ দেয় এবং এই ডেটার বিধান এবং কিউরেশনে মানুষের অংশগ্রহণ একটি মডেলের ভবিষ্যদ্বাণীকে পক্ষপাতের জন্য সংবেদনশীল করে তুলতে পারে।
মডেলগুলি তৈরি করার সময়, আপনার ডেটাতে প্রকাশ করতে পারে এমন সাধারণ মানুষের পক্ষপাত সম্পর্কে সচেতন হওয়া গুরুত্বপূর্ণ, যাতে আপনি তাদের প্রভাবগুলি হ্রাস করার জন্য সক্রিয় পদক্ষেপ নিতে পারেন।
পক্ষপাত প্রতিবেদন করা
সংজ্ঞা
রিপোর্টিং পক্ষপাত তখন ঘটে যখন একটি ডেটাসেটে ক্যাপচার করা ঘটনা, বৈশিষ্ট্য এবং/অথবা ফলাফলের ফ্রিকোয়েন্সি তাদের বাস্তব-বিশ্বের ফ্রিকোয়েন্সি সঠিকভাবে প্রতিফলিত করে না। এই পক্ষপাত ঘটতে পারে কারণ লোকেরা এমন পরিস্থিতির নথিভুক্ত করার দিকে মনোনিবেশ করে যা অস্বাভাবিক বা বিশেষভাবে স্মরণীয়, ধরে নেয় যে সাধারণকে রেকর্ড করার প্রয়োজন নেই।
উদাহরণ
একটি সেন্টিমেন্ট-বিশ্লেষণ মডেলকে একটি জনপ্রিয় ওয়েবসাইটে ব্যবহারকারীর জমা দেওয়ার ভিত্তিতে বই পর্যালোচনাগুলি ইতিবাচক বা নেতিবাচক কিনা তা ভবিষ্যদ্বাণী করতে প্রশিক্ষণ দেওয়া হয়। প্রশিক্ষণ ডেটাসেটের বেশিরভাগ পর্যালোচনা চরম মতামতকে প্রতিফলিত করে (পর্যালোচকরা যারা একটি বইকে পছন্দ করেন বা ঘৃণা করেন), কারণ লোকেরা একটি বইয়ের পর্যালোচনা জমা দেওয়ার সম্ভাবনা কম ছিল যদি তারা দৃঢ়ভাবে সাড়া না দেয়। ফলস্বরূপ, মডেলটি একটি বই বর্ণনা করতে আরও সূক্ষ্ম ভাষা ব্যবহার করে এমন পর্যালোচনাগুলির অনুভূতির সঠিকভাবে পূর্বাভাস দিতে সক্ষম নয়।
সংজ্ঞার জন্য chevron_left-এ ক্লিক করুন।
ঐতিহাসিক পক্ষপাত
সংজ্ঞা
ঐতিহাসিক পক্ষপাত তখন ঘটে যখন ঐতিহাসিক তথ্য বৈষম্য প্রতিফলিত করে যা সেই সময়ে বিশ্বে বিদ্যমান ছিল।
উদাহরণ
1960-এর দশকের একটি শহরের আবাসন ডেটাসেটে বাড়ির-মূল্যের ডেটা রয়েছে যা সেই দশকে কার্যকরী বৈষম্যমূলক ঋণদানের অনুশীলনগুলিকে প্রতিফলিত করে।
সংজ্ঞার জন্য chevron_left-এ ক্লিক করুন।
অটোমেশন পক্ষপাত
সংজ্ঞা
অটোমেশন বায়াস হল অটোমেটেড সিস্টেমের দ্বারা উত্পন্ন ফলাফলের চেয়ে স্বয়ংক্রিয় সিস্টেমের দ্বারা উত্পন্ন ফলাফলের পক্ষে একটি প্রবণতা, প্রতিটির ত্রুটির হার নির্বিশেষে।
উদাহরণ
একটি স্প্রোকেট প্রস্তুতকারকের জন্য কাজ করা এমএল অনুশীলনকারীরা দাঁতের ত্রুটিগুলি সনাক্ত করার জন্য প্রশিক্ষিত নতুন "গ্রাউন্ডব্রেকিং" মডেল স্থাপন করতে আগ্রহী ছিল, যতক্ষণ না কারখানার তত্ত্বাবধায়ক নির্দেশ করেন যে মডেলটির নির্ভুলতা এবং প্রত্যাহার হার উভয়ই মানব পরিদর্শকদের তুলনায় 15% কম।
সংজ্ঞার জন্য chevron_left-এ ক্লিক করুন।
নির্বাচনের পক্ষপাতিত্ব
নির্বাচনের পক্ষপাত ঘটবে যদি একটি ডেটাসেটের উদাহরণ এমনভাবে বেছে নেওয়া হয় যা তাদের বাস্তব-বিশ্ব বিতরণের প্রতিফলন না করে। নির্বাচনের পক্ষপাতিত্ব কভারেজ পক্ষপাত, অ-প্রতিক্রিয়া পক্ষপাত এবং স্যাম্পলিং পক্ষপাত সহ বিভিন্ন রূপ নিতে পারে।
কভারেজ পক্ষপাত
সংজ্ঞা
কভারেজ পক্ষপাত ঘটবে যদি প্রতিনিধিত্বমূলকভাবে ডেটা নির্বাচন না করা হয়।
উদাহরণ
একটি মডেলকে একটি নতুন পণ্যের ভবিষ্যত বিক্রয়ের পূর্বাভাস দেওয়ার জন্য প্রশিক্ষিত করা হয় ফোন সমীক্ষার উপর ভিত্তি করে যারা পণ্যটি কিনেছেন তাদের একটি নমুনা নিয়ে। ভোক্তারা যারা পরিবর্তে একটি প্রতিযোগী পণ্য কিনতে বেছে নিয়েছিলেন তাদের জরিপ করা হয়নি, এবং ফলস্বরূপ, এই গোষ্ঠীর লোকদের প্রশিক্ষণের ডেটাতে প্রতিনিধিত্ব করা হয়নি।
সংজ্ঞার জন্য chevron_left-এ ক্লিক করুন।
অ-প্রতিক্রিয়া পক্ষপাতিত্ব
সংজ্ঞা
অ-প্রতিক্রিয়া পক্ষপাত ( অংশগ্রহণ পক্ষপাত হিসাবেও পরিচিত) ঘটে যদি ডেটা-সংগ্রহ প্রক্রিয়ায় অংশগ্রহণের ব্যবধানের কারণে ডেটা অপ্রতিনিধিত্বশীল হয়।
উদাহরণ
একটি মডেলকে একটি নতুন পণ্যের ভবিষ্যত বিক্রয়ের ভবিষ্যদ্বাণী করার জন্য প্রশিক্ষিত করা হয় ফোন সমীক্ষার ভিত্তিতে যারা পণ্যটি কিনেছেন তাদের নমুনা এবং প্রতিযোগী পণ্য কিনেছেন এমন ভোক্তাদের নমুনা নিয়ে। ভোক্তারা যারা প্রতিযোগী পণ্যটি কিনেছিলেন তাদের সমীক্ষাটি সম্পূর্ণ করতে অস্বীকার করার সম্ভাবনা 80% বেশি ছিল এবং তাদের ডেটা নমুনায় উপস্থাপিত হয়েছিল।
সংজ্ঞার জন্য chevron_left-এ ক্লিক করুন।
স্যাম্পলিং পক্ষপাত
সংজ্ঞা
ডেটা সংগ্রহের সময় সঠিক র্যান্ডমাইজেশন ব্যবহার না করা হলে স্যাম্পলিং বায়াস ঘটে।
উদাহরণ
একটি মডেলকে একটি নতুন পণ্যের ভবিষ্যত বিক্রয়ের ভবিষ্যদ্বাণী করার জন্য প্রশিক্ষিত করা হয় ফোন সমীক্ষার ভিত্তিতে যারা পণ্যটি কিনেছেন তাদের নমুনা এবং প্রতিযোগী পণ্য কিনেছেন এমন ভোক্তাদের নমুনা নিয়ে। এলোমেলোভাবে ভোক্তাদের লক্ষ্য করার পরিবর্তে, জরিপকারী প্রথম 200 জন ভোক্তাকে বেছে নিয়েছিলেন যারা একটি ইমেলে সাড়া দিয়েছিলেন, যারা গড় ক্রেতাদের তুলনায় পণ্য সম্পর্কে বেশি উত্সাহী হতে পারে।
সংজ্ঞার জন্য chevron_left-এ ক্লিক করুন।
গ্রুপ অ্যাট্রিবিউশন পক্ষপাত
গ্রুপ অ্যাট্রিবিউশন বায়াস হল একটি সাধারণীকরণের একটি প্রবণতা যা ব্যক্তিদের ক্ষেত্রে তারা যে সমস্ত গোষ্ঠীর সাথে সম্পর্কিত তাদের সম্পর্কে সত্য। গ্রুপ অ্যাট্রিবিউশন পক্ষপাত প্রায়শই নিম্নলিখিত দুটি ফর্মে প্রকাশ পায়।
ইন-গ্রুপ পক্ষপাত
সংজ্ঞা
ইন-গ্রুপ পক্ষপাত হল আপনার নিজের গ্রুপের সদস্যদের জন্য একটি অগ্রাধিকার যা আপনিও আছেন , অথবা আপনি যে বৈশিষ্ট্যগুলি ভাগ করেন তার জন্য৷
উদাহরণ
সফ্টওয়্যার ডেভেলপারদের জন্য একটি সারসংকলন-স্ক্রিনিং মডেলের প্রশিক্ষণ প্রদানকারী দুইজন এমএল অনুশীলনকারীরা বিশ্বাস করে যে আবেদনকারীরা যারা একই কম্পিউটার-সায়েন্স একাডেমিতে যোগ দিয়েছিলেন তারা এই ভূমিকার জন্য আরও যোগ্য।
সংজ্ঞার জন্য chevron_left-এ ক্লিক করুন।
আউট-গ্রুপ একজাতীয়তা পক্ষপাত
সংজ্ঞা
আউট-গ্রুপ সমজাতীয়তা পক্ষপাত হল একটি গোষ্ঠীর পৃথক সদস্যদের স্টেরিওটাইপ করার একটি প্রবণতা যার সাথে আপনি নন , বা তাদের বৈশিষ্ট্যগুলিকে আরও অভিন্ন হিসাবে দেখান।
উদাহরণ
সফ্টওয়্যার ডেভেলপারদের জন্য একটি সারসংকলন-স্ক্রিনিং মডেলের প্রশিক্ষণকারী দুইজন এমএল অনুশীলনকারীরা বিশ্বাস করতে পারে যে সমস্ত আবেদনকারী যারা কম্পিউটার-সায়েন্স একাডেমিতে যোগ দেননি তাদের ভূমিকার জন্য যথেষ্ট দক্ষতা নেই।
সংজ্ঞার জন্য chevron_left-এ ক্লিক করুন।
অন্তর্নিহিত পক্ষপাত
সংজ্ঞা
অন্তর্নিহিত পক্ষপাত তখন ঘটে যখন ধারণাগুলি একজনের নিজস্ব চিন্তাভাবনার মডেল এবং ব্যক্তিগত অভিজ্ঞতার উপর ভিত্তি করে তৈরি করা হয় যা অগত্যা আরও সাধারণভাবে প্রযোজ্য নয়।
উদাহরণ
একজন ML অনুশীলনকারী একটি অঙ্গভঙ্গি-স্বীকৃতির মডেলকে প্রশিক্ষণ দিচ্ছেন একটি বৈশিষ্ট্য হিসাবে মাথা নাড়ানোর মাধ্যমে বোঝানোর জন্য যে একজন ব্যক্তি "না" শব্দটি যোগাযোগ করছেন। যাইহোক, বিশ্বের কিছু অঞ্চলে, মাথা নাড়ানো আসলে "হ্যাঁ" বোঝায়।
সংজ্ঞার জন্য chevron_left-এ ক্লিক করুন।
নিশ্চিতকরণ পক্ষপাতিত্ব
সংজ্ঞা
নিশ্চিতকরণ পক্ষপাত ঘটে যখন মডেল নির্মাতারা অজ্ঞানভাবে এমনভাবে ডেটা প্রক্রিয়া করে যা পূর্ব-বিদ্যমান বিশ্বাস এবং অনুমানকে নিশ্চিত করে।
উদাহরণ
একজন এমএল অনুশীলনকারী এমন একটি মডেল তৈরি করছেন যা বিভিন্ন বৈশিষ্ট্যের (উচ্চতা, ওজন, জাত, পরিবেশ) উপর ভিত্তি করে কুকুরের আক্রমণাত্মকতার পূর্বাভাস দেয়। অনুশীলনকারীর একটি শিশু হিসাবে একটি হাইপারঅ্যাকটিভ খেলনা পুডলের সাথে একটি অপ্রীতিকর মুখোমুখি হয়েছিল এবং তখন থেকেই সে শাবকটিকে আগ্রাসনের সাথে যুক্ত করেছে। মডেলের প্রশিক্ষণের ডেটা কিউরেট করার সময়, অনুশীলনকারী অসচেতনভাবে এমন বৈশিষ্ট্যগুলি বাতিল করে দেয় যা ছোট কুকুরগুলিতে নমনীয়তার প্রমাণ দেয়।
সংজ্ঞার জন্য chevron_left-এ ক্লিক করুন।
এক্সপেরিমেন্টারের পক্ষপাত
সংজ্ঞা
এক্সপেরিমেন্টারের পক্ষপাত তখন ঘটে যখন একজন মডেল নির্মাতা একটি মডেলকে প্রশিক্ষণ দেয় যতক্ষণ না এটি একটি ফলাফল তৈরি করে যা তাদের মূল অনুমানের সাথে সামঞ্জস্য করে।
উদাহরণ
একজন এমএল অনুশীলনকারী এমন একটি মডেল তৈরি করছেন যা বিভিন্ন বৈশিষ্ট্যের (উচ্চতা, ওজন, জাত, পরিবেশ) উপর ভিত্তি করে কুকুরের আক্রমণাত্মকতার পূর্বাভাস দেয়। অনুশীলনকারীর একটি শিশু হিসাবে একটি হাইপারঅ্যাকটিভ খেলনা পুডলের সাথে একটি অপ্রীতিকর মুখোমুখি হয়েছিল এবং তখন থেকেই সে শাবকটিকে আগ্রাসনের সাথে যুক্ত করেছে। যখন প্রশিক্ষিত মডেল বেশির ভাগ খেলনা পুডলকে তুলনামূলকভাবে নমনীয় হওয়ার ভবিষ্যদ্বাণী করেছিল, তখন অনুশীলনকারী মডেলটিকে আরও কয়েকবার প্রশিক্ষণ দিয়েছিল যতক্ষণ না এটি একটি ফলাফল তৈরি করে যে ছোট পুডলগুলিকে আরও হিংস্র হতে দেখায়।
সংজ্ঞার জন্য chevron_left-এ ক্লিক করুন।