ন্যায্যতা সম্ভাব্য অসম ফলাফলের সমাধান করে যা শেষ ব্যবহারকারীরা অ্যালগরিদমিক সিদ্ধান্ত গ্রহণের মাধ্যমে জাতি, আয়, যৌন অভিমুখীতা বা লিঙ্গের মতো সংবেদনশীল বৈশিষ্ট্যগুলির সাথে সম্পর্কিত অভিজ্ঞতা লাভ করতে পারে। উদাহরণস্বরূপ, একটি নিয়োগের অ্যালগরিদম কি একটি নির্দিষ্ট লিঙ্গ বা জাতিসত্তার সাথে যুক্ত নাম সহ আবেদনকারীদের পক্ষে বা বিপক্ষে পক্ষপাতী হতে পারে?
এই ভিডিওতে কিভাবে মেশিন লার্নিং সিস্টেম মানব পক্ষপাতের জন্য সংবেদনশীল হতে পারে সে সম্পর্কে আরও জানুন:
একটি বাস্তব বিশ্বের উদাহরণের জন্য, কীভাবে Google অনুসন্ধান এবং Google ফটোর মতো পণ্যগুলি মঙ্ক স্কিন টোন স্কেলের মাধ্যমে ত্বকের স্বর উপস্থাপনার বৈচিত্র্যকে উন্নত করেছে সে সম্পর্কে পড়ুন।
মডেলগুলিতে পক্ষপাত সনাক্তকরণ, পরিমাপ এবং প্রশমিত করার নির্ভরযোগ্য পদ্ধতি রয়েছে। মেশিন লার্নিং ক্র্যাশ কোর্সেরফেয়ারনেস মডিউল ন্যায্যতা এবং পক্ষপাত কমানোর কৌশলগুলির একটি গভীর দৃষ্টিভঙ্গি প্রদান করে।
[null,null,["2024-11-19 UTC-তে শেষবার আপডেট করা হয়েছে।"],[[["Fairness in machine learning aims to address potential unequal outcomes for users based on sensitive attributes like race, gender, or income due to algorithmic decisions."],["Machine learning systems can inherit human biases, impacting outcomes for certain groups, and require strategies for identification, measurement, and mitigation."],["Google has worked on improving fairness in products like Google Search and Google Photos by utilizing the Monk Skin Tone Scale to better represent skin tone diversity."],["Developers can learn about fairness and bias mitigation techniques in detail through resources like the Fairness module of Google's Machine Learning Crash Course and interactive AI Explorables from People + AI Research (PAIR)."]]],[]]
