انصاف به پیامدهای متفاوت احتمالی که کاربران نهایی ممکن است در رابطه با ویژگی های حساس مانند نژاد، درآمد، گرایش جنسی یا جنسیت از طریق تصمیم گیری الگوریتمی تجربه کنند، می پردازد. برای مثال، ممکن است یک الگوریتم استخدام سوگیری هایی برای یا علیه متقاضیان با نام های مرتبط با جنسیت یا قومیت خاص داشته باشد؟
در این ویدیو درباره اینکه چگونه سیستم های یادگیری ماشینی ممکن است در معرض سوگیری انسانی قرار بگیرند بیشتر بیاموزید:
برای مثال در دنیای واقعی، در مورد اینکه چگونه محصولاتی مانند جستجوی Google و Google Photos تنوع رنگ پوست را از طریق مقیاس رنگ پوست Monk بهبود بخشیدند، بخوانید.
روش‌های قابل اعتمادی برای شناسایی، اندازه‌گیری و کاهش تعصب در مدل‌ها وجود دارد. ماژول Fairnessدوره تصادف یادگیری ماشین نگاهی عمیق به تکنیک‌های کاهش انصاف و تعصب ارائه می‌کند.
تاریخ آخرین بهروزرسانی 2024-11-19 بهوقت ساعت هماهنگ جهانی.
[null,null,["تاریخ آخرین بهروزرسانی 2024-11-19 بهوقت ساعت هماهنگ جهانی."],[[["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)."]]],[]]
