Restez organisé à l'aide des collections
Enregistrez et classez les contenus selon vos préférences.
L'équité aborde les disparités de résultats possibles que les utilisateurs finaux peuvent rencontrer en lien avec des caractéristiques sensibles, telles que l'origine ethnique, les revenus, l'orientation sexuelle ou le genre, par le biais de la prise de décision algorithmique. Par exemple, un algorithme de recrutement peut-il présenter des biais pour ou contre les candidats dont le nom est associé à un genre ou une origine ethnique spécifiques ?
Pour en savoir plus sur la façon dont les systèmes de machine learning peuvent être sensibles aux biais humains, regardez cette vidéo :
Pour un exemple concret, découvrez comment des produits tels que la recherche Google et Google Photos ont amélioré la diversité de la représentation des carnations grâce à l'échelle Monk Skin Tone.
Il existe des méthodes fiables pour identifier, mesurer et atténuer les biais dans les modèles. Le module Équité du Cours d'initiation au machine learning présente en détail les techniques d'équité et d'atténuation des biais.
Sauf indication contraire, le contenu de cette page est régi par une licence Creative Commons Attribution 4.0, et les échantillons de code sont régis par une licence Apache 2.0. Pour en savoir plus, consultez les Règles du site Google Developers. Java est une marque déposée d'Oracle et/ou de ses sociétés affiliées.
Dernière mise à jour le 2025/07/27 (UTC).
[[["Facile à comprendre","easyToUnderstand","thumb-up"],["J'ai pu résoudre mon problème","solvedMyProblem","thumb-up"],["Autre","otherUp","thumb-up"]],[["Il n'y a pas l'information dont j'ai besoin","missingTheInformationINeed","thumb-down"],["Trop compliqué/Trop d'étapes","tooComplicatedTooManySteps","thumb-down"],["Obsolète","outOfDate","thumb-down"],["Problème de traduction","translationIssue","thumb-down"],["Mauvais exemple/Erreur de code","samplesCodeIssue","thumb-down"],["Autre","otherDown","thumb-down"]],["Dernière mise à jour le 2025/07/27 (UTC)."],[[["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)."]]],[]]
