Conclusioni
L'equità non è un obiettivo unico da raggiungere, ma un impegno continuo. Ecco altre informazioni sul lavoro continuo di Jigsaw per mitigare i bias nei suoi modelli dell'API Perspective.
Scopri di più sull'equità del machine learning
Continua la tua formazione sulla correttezza del machine learning con queste risorse
MLCC Fairness Self-Study
Questo corso di autoapprendimento di un'ora presenta i concetti fondamentali di ML Fairness, tra cui le fonti comuni dei bias, come identificare i bias nei dati e come valutare le previsioni dei modelli tenendo in considerazione l'equità.
Glossario ML
Il glossario di ML contiene oltre 30 voci di ML Fairness, che forniscono definizioni per principianti, esempi di bias comuni, metriche chiave di valutazione dell'equità e altro ancora.
Includere l'equità nei tuoi flussi di lavoro ML
Utilizza i seguenti strumenti per identificare e risolvere i bias nei modelli di ML
Indicatori di equità
Gli indicatori di equità sono uno strumento di visualizzazione basato su TensorFlow Model Analysis (TFMA) che valuta le prestazioni dei modelli in sottogruppi
e poi traccia i risultati per una serie di metriche popolari, tra cui tasso di falsi positivi, tasso di falsi negativi, precisione e richiamo.
Strumento What-If
Lo strumento What-If è un'interfaccia visiva interattiva progettata per aiutarti a sondare meglio i tuoi modelli. Analizza le prestazioni del modello per una serie di funzionalità nel tuo set di dati utilizzando diverse strategie di ottimizzazione ed esplora l'impatto della gestione dei singoli valori dei punti dati.