結語
公平性並非一次性達成的目標，而是不斷努力的成果。以下將進一步說明 Jigsaw 和 #J9; 持續降低 Perspective API 模型偏誤的方法。
進一步瞭解機器學習公平性
透過以下資源掌握機器學習公平性教育
MLCC 公平自我研究
這個一小時的自修課程將介紹機器學習公平性的基本概念，包括常見的偏誤來源、如何找出資料偏誤，以及如何評估公平性的模型模型評估。
機器學習詞彙表
機器學習詞彙表涵蓋超過 30 個機器學習公平性項目，提供初學者友善的定義、常見偏誤範例、重要公平性評估指標等。
將公平性整合至機器學習工作流程中
使用下列工具協助找出並解決機器學習模型中的偏誤
公平性指標
Fairness Indicators 是採用 TensorFlow Model Analysis (TFMA) 的視覺化工具，可評估子群組的模型效能，然後針對多種熱門指標 (包括偽陽率、偽陰性、精確度和喚回度) 產生結果。
If-If Tool
How-If 工具是互動式的視覺介面，可幫助您更好地探究模型。運用不同的最佳化策略，調查資料集內多個特徵的模型效能，並探索操控個別資料點值的影響。