نتیجه
انصاف هدفی یکباره نیست که باید به آن دست یافت. این یک تلاش مداوم است. در اینجا اطلاعات بیشتری در مورد ادامه کار Jigsaw برای کاهش تعصب در مدلهای Perspective API آورده شده است.
در مورد ML Fairness بیشتر بدانید
آموزش ML Fairness خود را با این منابع ادامه دهید
خود مطالعه عادلانه MLCC
این دوره یک ساعته خودآموز مفاهیم اساسی ML Fairness، از جمله منابع رایج سوگیری، نحوه شناسایی سوگیری در داده ها، و نحوه ارزیابی پیش بینی های مدل با رعایت انصاف را معرفی می کند.
واژه نامه ML
واژه نامه ML شامل بیش از 30 مدخل ML Fairness است که تعاریف مبتدی پسند و همچنین نمونه هایی از تعصبات رایج، معیارهای کلیدی ارزیابی انصاف و موارد دیگر را ارائه می دهد.
انصاف را در گردش کار ML خود بگنجانید
از ابزارهای زیر برای کمک به شناسایی و اصلاح سوگیری در مدلهای ML استفاده کنید
شاخص های انصاف
Fairness Indicators یک ابزار تجسمسازی است که توسط تجزیه و تحلیل مدل TensorFlow (TFMA) ارائه میشود که عملکرد مدل را در زیرگروهها ارزیابی میکند و سپس نتایج را برای انواع معیارهای محبوب، از جمله نرخ مثبت کاذب، نرخ منفی کاذب، دقت و یادآوری نمودار میکند.
ابزار What-If
ابزار What-If یک رابط بصری تعاملی است که به شما کمک می کند مدل های خود را بهتر بررسی کنید. عملکرد مدل را برای طیف وسیعی از ویژگیها در مجموعه داده خود با استفاده از استراتژیهای بهینهسازی مختلف بررسی کنید و تأثیر دستکاری مقادیر نقطه داده را بررسی کنید.