الخاتمة

العدالة ليست هدفًا لمرة واحدة يمكن تحقيقه، بل الجهد. في ما يلي المزيد من المعلومات حول عمل Jigsaw&#39s المستمر للحدّ من الانحياز في نماذج واجهة برمجة التطبيقات Perspective.

مزيد من المعلومات حول العدالة في تعلّم الآلة

واصِل تعلُّم العدالة في تعلُّم الآلة باستخدام هذه المراجع.
تقدّم دورة الدراسة الذاتية هذه التي تستغرق ساعة واحدة المفاهيم الأساسية لعادلة تعلُّم الآلة، بما في ذلك المصادر المشتركة للانحياز، وكيفية تحديد الانحياز في البيانات، وكيفية تقييم توقعات النموذج مع مراعاة العدالة.
يحتوي "مسرد مصطلحات تعلُّم الآلة" على أكثر من 30 إدخالاً لعدالة تعلِّم الآلة، ما يوفّر تعريفات مناسبة للمبتدئين، بالإضافة إلى أمثلة على حالات الانحياز الشائعة ومقاييس التقييم الأساسية وغيرها.

دمج النزاهة في سير عمل تعلُّم الآلة

يمكنك استخدام الأدوات التالية للمساعدة في تحديد الانحياز ومعالجته في نماذج تعلُّم الآلة.
مؤشرات العدالة هي أداة تمثيل مرئي تعتمد على تحليل نموذج TensorFlow (TFMA) وتعمل على تقييم أداء النموذج على مستوى المجموعات الفرعية، ثم تقييم النتائج البيانية لمجموعة متنوعة من المقاييس الشائعة، بما في ذلك معدل موجب خاطئ، ومعدّل سالب خاطئ، ودقّة، وتذكّر.
أداة What-If هي واجهة مرئية تفاعلية مصمَّمة لمساعدتك على استكشاف نماذجك بشكلٍ أفضل. يمكنك دراسة أداء النموذج لمجموعة من الميزات في مجموعة البيانات باستخدام استراتيجيات التحسين المختلفة، واستكشاف تأثير معالجة قيم نقاط البيانات الفردية.