नतीजा
निष्पक्षता एक बार में हासिल किया जाने वाला लक्ष्य नहीं है; यह लगातार की जा रही कोशिश है. Jigsaw's के बारे में ज़्यादा जानने के लिए, इसके पर्सपेक्टिव एपीआई मॉडल में भेदभाव को कम करने
पर काम जारी है.
एमएल फ़ेयरनेस के बारे में ज़्यादा जानें
इन संसाधनों से अपनी एमएल फ़ेयरनेस की शिक्षा जारी रखें
एमएलसीसी फ़ेयरनेस सेल्फ़-स्टडी
अपने-आप अध्ययन के इस एक घंटे के कोर्स में एमएल फ़ेयरनेस के बुनियादी सिद्धांतों के बारे में जानकारी दी गई है. इसमें मापदंड से बाहर की चीज़ों के सामान्य स्रोतों के साथ-साथ डेटा में पक्षपात की पहचान करने का तरीका और निष्पक्षता के मॉडल के अनुमानों का मूल्यांकन करने के बारे में भी बताया गया है.
एमएल ग्लॉसरी
एमएल ग्लॉसरी में 30 से ज़्यादा एमएल फ़ेयरनेस एंट्री होती हैं, जो नए उपयोगकर्ताओं के लिए बेहद ज़रूरी परिभाषाएं दिखाती हैं. साथ ही, इसमें सामान्य मापदंडों, निष्पक्षता के आकलन से जुड़ी अहम मेट्रिक वगैरह के उदाहरण भी होते हैं.
अपने ML वर्कफ़्लो में फ़ेयरनेस शामिल करें
एमएल मॉडल में आए फ़र्क़ को पहचानने और उसे दूर करने के लिए, नीचे दिए गए टूल इस्तेमाल करें
फ़ेयरनेस इंडिकेटर
फ़ेयरनेस इंडिकेटर एक ऐसा विज़ुअलाइज़ेशन टूल है जो TensorFlow मॉडल विश्लेषण (TFMA) की मदद से बनाया जाता है. यह सबग्रुप में सभी मॉडल की परफ़ॉर्मेंस का आकलन करता है. इसके बाद, यह कई लोकप्रिय मेट्रिक के लिए नतीजों का ग्राफ़ बनाता है. इसमें झूठी पॉज़िटिव दर, गलत नेगेटिव दर, सटीक जानकारी, और प्रॉडक्ट को बाज़ार से हटाना शामिल है.
व्हाट-इफ़ टूल
क्या करें अगर टूल एक इंटरैक्टिव विज़ुअल इंटरफ़ेस है, जिसे आपके मॉडल की बेहतर ढंग से जांच करने में आपकी मदद करने के लिए डिज़ाइन किया गया है. अलग-अलग ऑप्टिमाइज़ेशन रणनीतियों का इस्तेमाल करके, अपने डेटासेट में कई सुविधाओं के मॉडल की परफ़ॉर्मेंस की जांच करें. साथ ही, अलग-अलग डेटापॉइंट वैल्यू में हेर-फेर करने के असर का पता लगाएं.