Conclusão
A imparcialidade não é um objetivo único a ser alcançado, e sim um esforço contínuo. Saiba mais sobre o trabalho contínuo da Jigsaw para reduzir os vieses nos modelos de API Perspective.
Saiba mais sobre imparcialidade de ML
Continue sua educação de imparcialidade de ML com estes recursos
Estudo de imparcialidade de MLCC
Este curso de estudo autônomo de uma hora apresenta os conceitos fundamentais de imparcialidade de ML, incluindo fontes comuns de viés, como identificar vieses em dados e como avaliar previsões de modelos com base na imparcialidade.
Glossário de ML
O glossário de ML contém mais de 30 entradas de imparcialidade de ML, que oferecem definições para iniciantes, bem como exemplos de vieses comuns, métricas de avaliação de imparcialidade e muito mais.
Incorporar imparcialidade nos fluxos de trabalho de ML
Use as ferramentas a seguir para identificar e corrigir vieses em modelos de ML
Indicadores de imparcialidade
Os indicadores de imparcialidade são uma ferramenta de visualização desenvolvida com a Análise de modelos do TensorFlow (TFMA, na sigla em inglês) que avalia o desempenho do modelo em subgrupos
e, em seguida, mapeia os resultados de várias métricas conhecidas, incluindo taxa de falso positivo, taxa de falso negativo, precisão e recall.
Ferramenta What-If
A ferramenta What-If é uma interface visual interativa projetada para ajudar você a Sondar melhor seus modelos. Investigue o desempenho do modelo para uma variedade de atributos no conjunto de dados usando diferentes estratégias de otimização e explore o impacto da manipulação de valores individuais do ponto de dados.