Valutare un modello di machine learning (ML) in modo responsabile richiede più del semplice calcolo delle metriche di perdita complessive. Prima di mettere un modello in produzione, è fondamentale eseguire la revisione dei dati di addestramento e valutare le previsioni per verificare la presenza di bias.
Questo modulo esamina i diversi tipi di pregiudizi umani che possono manifestarsi nei dati di addestramento. Fornisce quindi strategie per identificarli e mitigarli, nonché per valutare le prestazioni del modello tenendo conto dell'equità.