Um ein ML-Modell verantwortungsvoll zu bewerten, muss mehr getan werden, als nur Verlustmesswerte zu berechnen. Bevor Sie ein Modell in die Produktion aufnehmen, ist es wichtig, Trainingsdaten zu prüfen und Vorhersagen auf Verzerrungen zu bewerten.
In diesem Modul werden verschiedene Arten von menschlichen Vorurteilen untersucht, die sich in Trainingsdaten auswirken können. Anschließend werden Strategien zur Identifizierung und Bewertung der Auswirkungen vorgestellt.
Fairness
Was sehen Sie?
Was sehen Sie?
- Bananen
Was sehen Sie?
- Bananen
- Sticker
Was sehen Sie?
- Bananen
- Sticker
- Bananen in Regalen
Was sehen Sie?
- Grün Bananen
- Unreife Bananen
Was sehen Sie?
- Überreife Bananen
- Gut für Bananenbrot
Was sehen Sie?
Gelb Bananen
Gelb ist typisch für Bananen.
Fairness fördern
Fairness fördern
- Problem berücksichtigen
Fairness fördern
- Problem berücksichtigen
- Experten fragen
Fairness fördern
- Problem berücksichtigen
- Experten fragen
- Modelle zur Berücksichtigung von Verzerrung trainieren
Fairness fördern
- Problem berücksichtigen
- Experten fragen
- Modelle zur Berücksichtigung von Verzerrung trainieren
- Ergebnisse interpretieren
Fairness fördern
- Problem berücksichtigen
- Experten fragen
- Modelle zur Berücksichtigung von Verzerrung trainieren
- Ergebnisse interpretieren
- Mit Kontext veröffentlichen