Product Design, Manufacturing & Innovation Resources
بيت » مراحل معالجة تخفيف التحيز

مراحل معالجة تخفيف التحيز

2010
علماء البيانات الذين يتعاونون على تقنيات تخفيف التحيز في الذكاء الاصطناعي.

(صورة تم إنشاؤها للتوضيح فقط)

تُصنَّف تقنيات الحد من التحيز الخوارزمي إلى ثلاث مراحل رئيسية بالنسبة لعملية تدريب النموذج. تعمل طرق المعالجة المسبقة على تعديل بيانات التدريب نفسها (مثل إعادة الترجيح، وإعادة أخذ العينات). وتُدمج طرق المعالجة أثناء التدريب قيود الإنصاف مباشرةً في خوارزمية تعلم النموذج. أما طرق المعالجة اللاحقة، فتُعدِّل تنبؤات النموذج بعد إجرائها لتحسين الإنصاف.

يُوفر هذا التصنيف الثلاثي إطارًا مُنظمًا لمعالجة التحيز. تُركز المعالجة المُسبقة على البيانات؛ إذ تهدف إلى إنشاء مجموعة بيانات "عادلة" قبل أن يراها النموذج. تُعطي تقنيات مثل إعادة الترجيح أهمية مُختلفة لنقاط البيانات لمواجهة الاختلالات، بينما يُعدّل أخذ عينات زائدة/ناقصة عدد الحالات من المجموعات المُختلفة. هذا النهج مُستقل عن النموذج ولكنه قد يُغير التوزيع الأساسي للبيانات.

تُركز عملية المعالجة الداخلية على النموذج. فهي تُعدّل دالة الهدف لخوارزمية التعلم لتشمل بندًا جزائيًا للإنصاف. على سبيل المثال، قد يتم تحسين نموذج لزيادة الدقة إلى أقصى حد مع تقليل الفرق في معدلات الخطأ بين المجموعات في الوقت نفسه. قد يؤدي هذا إلى حلول أكثر تكاملاً، ولكنه يتطلب تعديل الخوارزمية الأساسية، مما يجعلها أقل مرونة.

تُركز المعالجة اللاحقة على التنبؤ. فهي تأخذ مخرجات نموذج مُدرَّب، قد يكون متحيزًا، وتُعدِّلها لتلبية معيار الإنصاف. وقد يشمل ذلك تغيير عتبات التصنيف لمجموعات مختلفة. تُعد هذه الطريقة الأقل تدخلاً لأنها تُعامل النموذج كصندوق أسود، ولكنها قد تُقلل من الفائدة الإجمالية وقد تبدو غير منهجية. يعتمد اختيار المرحلة على عوامل مثل الوصول إلى بيانات التدريب، والقدرة على تعديل النموذج، وأهداف الإنصاف المحددة.

UNESCO Nomenclature: 1203
- علوم الحاسب الآلي

يكتب

النظام التجريدي

الاضطراب

كبير

الاستخدام

الاستخدام الواسع النطاق

السلائف

  • techniques for handling imbalanced datasets in machine learning
  • constrained optimization methods in mathematics
  • development of fairness metrics to serve as objectives or constraints
  • the overall growth of machine learning as a field

التطبيقات

  • the AIF360 toolkit by IBM, which implements algorithms from all three categories
  • أداة "ماذا لو" من جوجل، والتي تتيح استكشاف سلوك النموذج والإنصاف
  • fairlearn, an open-source python package for assessing and improving fairness
  • commercial AI platforms offering built-in bias detection and mitigation features

براءات الاختراع:

NA

أفكار ابتكارات محتملة

بسبب عمليات جمع البيانات من خلال برامج الروبوت، والتي تتجاوز حاليًا 40 ألفًا يوميًا، فإن هذا المحتوى مخصص لأعضاء المجتمع فقط.
> تسجيل الدخول < أو > سجل < (مجاني 100٪) للوصول إلى هذا، وكذلك جميع المحتويات والأدوات الأخرى المقيدة.

يتعلق بـ: تخفيف التحيز، المعالجة المسبقة، المعالجة الداخلية، المعالجة اللاحقة، التعلم الآلي العادل، إعادة الترجيح، إعادة أخذ العينات، قيود الإنصاف، الإنصاف الخوارزمي، أخلاقيات الذكاء الاصطناعي.

السياق التاريخي

مراحل معالجة تخفيف التحيز

1993
1997-04-23
2001
2010
2020
1990
1993
1998
2010
2016

(إذا كان التاريخ غير معروف أو غير ذي صلة، على سبيل المثال "ميكانيكا الموائع"، يتم توفير تقدير تقريبي لظهوره الملحوظ)

الصور بالحجم الكامل والتنزيلات متاحة فقط 100% مجاناً للأعضاء المسجلين.