Justiça

A avaliação responsável de um modelo de machine learning exige mais do que apenas calcular as métricas de perda. Antes de colocar um modelo em produção, é essencial auditar os dados de treinamento e avaliar as previsões por viés.

Neste módulo, analisamos diferentes tipos de vieses humanos que podem se manifestar nos dados de treinamento. Ele fornece estratégias para identificá-los e avaliar os efeitos.

Justiça

Bananas em uma prateleira em uma loja
  • Bananas
Uma banana
  • Bananas
  • Stickers
Uma banana
  • Bananas
  • Stickers
  • Bananas em estantes
Uma banana
  • Bananas verdes
  • Bananas antigas
Uma banana com banana
  • Bananas sobrecarregadas
  • Bom para pão de banana
Poucas bananas marrons

Bananas amarelas

Amarelo é prototipagem para bananas

Bananas amarelas
Um diagrama que ilustra um fluxo de trabalho típico de machine learning: coletar dados, treinar um modelo e gerar saída
Diagrama ilustrando dois tipos de viés nos dados: viés humano que se manifesta nos dados (como viés de homogeneidade fora do grupo) e vieses humanos que afetam a coleta de dados e anotação (como viés de confirmação)
  1. Considerar o problema
  1. Considerar o problema
  2. Perguntar aos especialistas
  1. Considerar o problema
  2. Perguntar aos especialistas
  3. Treinar os modelos para lidar com o viés
  1. Considerar o problema
  2. Perguntar aos especialistas
  3. Treinar os modelos para lidar com o viés
  4. Interpretar resultados
  1. Considerar o problema
  2. Perguntar aos especialistas
  3. Treinar os modelos para lidar com o viés
  4. Interpretar resultados
  5. Publicar com contexto
Anterior
Teste seu conhecimento
Próxima
Tipos de viés