Obiektywność
Zadbaj o dobrą organizację dzięki kolekcji
Zapisuj i kategoryzuj treści zgodnie ze swoimi preferencjami.
Obiektywność odnosi się do możliwych nierównych wyników, jakie mogą uzyskać użytkownicy w związku z wrażliwymi cechami, takimi jak rasa, dochód, orientacja seksualna czy płeć, w procesie podejmowania decyzji przez algorytmy. Na przykład czy algorytm rekrutacyjny może być stronniczy wobec kandydatów o imionach i nazwiskach kojarzonych z określoną płcią lub pochodzeniem etnicznym?
Więcej informacji o tym, jak systemy uczące się mogą być podatne na ludzkie uprzedzenia, znajdziesz w tym filmie:
Aby zobaczyć przykład z życia, przeczytaj, jak usługi takie jak wyszukiwarka Google i Zdjęcia Google zwiększyły różnorodność reprezentacji odcieni skóry dzięki skali odcieni skóry Monka.
Istnieją niezawodne metody identyfikowania, mierzenia i minimalizowania uprzedzeń w modelach. Moduł Obiektywność w szybkim szkoleniu z uczenia maszynowego
zawiera szczegółowe informacje o obiektywności i technikach ograniczania uprzedzeń.
Zespół People + AI Research (PAIR) udostępnia interaktywne materiały edukacyjne AI Explorables na temat pomiaru sprawiedliwości i ukrytych uprzedzeń, które pomagają zrozumieć te koncepcje.
Więcej terminów związanych z obiektywnością ML znajdziesz w Słowniczku uczenia maszynowego: obiektywność | Google dla deweloperów.
O ile nie stwierdzono inaczej, treść tej strony jest objęta licencją Creative Commons – uznanie autorstwa 4.0, a fragmenty kodu są dostępne na licencji Apache 2.0. Szczegółowe informacje na ten temat zawierają zasady dotyczące witryny Google Developers. Java jest zastrzeżonym znakiem towarowym firmy Oracle i jej podmiotów stowarzyszonych.
Ostatnia aktualizacja: 2025-07-27 UTC.
[null,null,["Ostatnia aktualizacja: 2025-07-27 UTC."],[[["\u003cp\u003eFairness in machine learning aims to address potential unequal outcomes for users based on sensitive attributes like race, gender, or income due to algorithmic decisions.\u003c/p\u003e\n"],["\u003cp\u003eMachine learning systems can inherit human biases, impacting outcomes for certain groups, and require strategies for identification, measurement, and mitigation.\u003c/p\u003e\n"],["\u003cp\u003eGoogle 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.\u003c/p\u003e\n"],["\u003cp\u003eDevelopers 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).\u003c/p\u003e\n"]]],[],null,["# Fairness\n\n\u003cbr /\u003e\n\n**Fairness** addresses the possible disparate outcomes end users may experience\nrelated to sensitive characteristics such as race, income, sexual orientation,\nor gender through algorithmic decision-making. For example, might a hiring\nalgorithm have biases for or against applicants with names associated with a\nparticular gender or ethnicity?\n\nLearn more about how machine learning systems might be susceptible to human bias\nin this video: \n\n\u003cbr /\u003e\n\nFor a real world example, read about how products such as Google Search and\nGoogle Photos improved diversity of skin tone representation through the\n[Monk Skin Tone Scale](https://blog.google/products/search/monk-skin-tone-scale/).\n\nThere are reliable methods of identifying, measuring, and mitigating bias in models. The [Fairness](/machine-learning/crash-course/fairness)\nmodule of [Machine Learning Crash Course](https://developers.google.com/machine-learning/crash-course)\nprovides an in-depth look at fairness and bias mitigation techniques.\n\n[People + AI Research](https://pair.withgoogle.com/) (PAIR) offers interactive\nAI Explorables on [Measuring Fairness](https://pair.withgoogle.com/explorables/measuring-fairness/)\nand [Hidden Bias](https://pair.withgoogle.com/explorables/hidden-bias/) to walk\nthrough these concepts.\nFor more terms related to ML Fairness, see [Machine Learning Glossary:\nFairness \\| Google for Developers](https://developers.google.com/machine-learning/glossary/fairness)."]]
