Stronniczość w Machine Learning: Budowanie sprawiedliwych i etycznych potoków AI

Każdy model machine learning odzwierciedla dane użyte do jego trenowania, co oznacza, że ludzkie uprzedzenia mogą łatwo przeniknąć do zautomatyzowanych decyzji. Ponieważ AI w coraz większym stopniu kształtuje kluczowe wybory w rekrutacji, finansach i opiece zdrowotnej, zrozumienie, jak budować sprawiedliwe modele, jest niezbędną umiejętnością dla współczesnych programistów i specjalistów ds. danych. Ten tekstowy kurs przeprowadzi Cię od absolutnych podstaw sprawiedliwości algorytmicznej do wdrażania praktycznych strategii mitygacji w Twoich potokach danych. Zdobędziesz umiejętności krytycznego myślenia i wiedzę techniczną potrzebną do audytowania zbiorów danych, oceniania prognoz modeli pod kątem dysproporcji oraz wdrażania bardziej sprawiedliwych systemów machine learning. Czego się nauczysz: - Zrozumiesz podstawowe koncepcje stronniczości algorytmicznej, definicje sprawiedliwości oraz sposoby, w jakie dysproporcje pojawiają się w cyklu życia machine learning. - Zidentyfikujesz źródła stronniczości w danych treningowych, od nierówności historycznych po luki w reprezentacji. - Zmierzysz sprawiedliwość za pomocą kluczowych metryk ilościowych, takich jak parytet demograficzny i wyrównane szanse (equalized odds). - Zastosujesz techniki pre-processingu, in-processingu i post-processingu w celu ograniczenia stronniczości w prognozach modeli. - Ocenisz nowoczesne potoki AI pod kątem sprawiedliwości, w tym modele tabelaryczne i podstawowe systemy przetwarzania języka naturalnego. - Ustanowisz wytyczne etyczne i praktyki dokumentacyjne, aby zapewnić długoterminową przejrzystość modeli. Kurs rozpoczyna się od podstawowych definicji i ram etycznych, a następnie prowadzi przez praktyczną, pisemną analizę zbiorów danych. Przeczytasz przejrzyste przykłady kodu i wykonasz praktyczne ćwiczenia zaprojektowane tak, aby sprawdzić Twoją umiejętność wykrywania i korygowania dysproporcji w modelach. Kurs jest przeznaczony dla początkujących data scientistów, inżynierów oprogramowania i analityków, którzy chcą budować odpowiedzialne AI. Do rozpoczęcia nauki nie jest wymagane zaawansowane przygotowanie matematyczne ani wcześniejsze doświadczenie w machine learning. Zacznij czytać już dziś, aby budować potoki machine learning, którym możesz zaufać.