Вывод
Справедливость — это не разовая цель, которую нужно достичь; это постоянные усилия. Вот подробнее о продолжающейся работе Jigsaw по уменьшению предвзятости в своих моделях Perspective API.
Узнайте больше о ML Fairness
Продолжите свое образование в области справедливости машинного обучения с помощью этих ресурсов
Самостоятельное изучение честности MLCC
Этот одночасовой курс для самостоятельного изучения знакомит с фундаментальными концепциями справедливого машинного обучения, включая распространенные источники систематической ошибки, способы выявления систематической ошибки в данных и способы оценки прогнозов модели с учетом справедливости.
Глоссарий машинного обучения
Глоссарий ML содержит более 30 статей о справедливости ML, которые содержат определения, удобные для начинающих, а также примеры распространенных предубеждений, ключевые показатели оценки справедливости и многое другое.
Включите справедливость в свои рабочие процессы машинного обучения
Используйте следующие инструменты, чтобы выявить и устранить предвзятость в моделях машинного обучения.
Показатели справедливости
Индикаторы справедливости — это инструмент визуализации на основе анализа моделей TensorFlow (TFMA) , который оценивает производительность модели по подгруппам, а затем отображает результаты в виде графиков для различных популярных показателей, включая частоту ложноположительных результатов, частоту ложноотрицательных результатов, точность и полноту.
Инструмент «что, если»
Инструмент «Что, если» — это интерактивный визуальный интерфейс, разработанный для того, чтобы помочь вам лучше исследовать свои модели. Изучите производительность модели для ряда функций в вашем наборе данных, используя различные стратегии оптимизации, и изучите влияние манипулирования значениями отдельных точек данных.