Conclusion
L'équité n'est pas un objectif ponctuel. Il s'agit d'un effort continu. En savoir plus sur le travail continu de Jigsaw pour réduire les biais dans ses modèles d'API Perspective.
En savoir plus sur l'équité dans le ML
Continuez votre formation sur l'équité en ML avec ces ressources
Étude de l'équité MLCC
Ce cours d'auto-formation d'une heure présente les concepts fondamentaux de l'équité dans le domaine du ML, y compris les sources courantes de biais, l'identification des biais dans les données et l'évaluation de la prédiction des modèles en tenant compte de l'équité.
Glossaire du ML
Le glossaire de ML contient plus de 30 entrées d'équité dans le domaine du ML, qui fournissent des définitions adaptées aux débutants, des exemples de biais courants, des métriques d'évaluation clés de l'équité, etc.
Intégrer l'équité dans vos workflows de ML
Identifier et corriger les biais dans les modèles de ML à l'aide des outils suivants
Indicateurs d'équité
Fairness Indicators est un outil de visualisation qui s'appuie sur TensorFlow Model Analysis (TFMA). Il évalue les performances du modèle dans les sous-groupes, puis affiche les résultats sous forme de graphiques pour une variété de métriques populaires, y compris les taux de faux positifs, de faux négatifs, de précision et de rappel.
Outil de simulation What-If
L'outil de simulation What-If est une interface visuelle interactive conçue pour vous aider à optimiser vos modèles. Examiner les performances d'un modèle pour différentes caractéristiques de votre ensemble de données à l'aide de différentes stratégies d'optimisation, et explorer l'impact de la manipulation des valeurs de point de données individuelles