Product Design, Manufacturing & Innovation Resources
Casa » Fasi di elaborazione della mitigazione dei pregiudizi

Fasi di elaborazione della mitigazione dei pregiudizi

2010
Gli scienziati dei dati collaborano alle tecniche di mitigazione dei pregiudizi nell'intelligenza artificiale.

(Immagine generata a solo scopo illustrativo)

Le tecniche di mitigazione del bias algoritmico si suddividono in tre fasi principali relative al processo di addestramento del modello. I metodi di pre-elaborazione modificano i dati di addestramento stessi (ad esempio, riponderazione, ricampionamento). I metodi di elaborazione incorporano vincoli di equità direttamente nell'algoritmo di apprendimento del modello. I metodi di post-elaborazione regolano le previsioni del modello dopo che sono state effettuate per migliorarne l'equità.

Questa classificazione in tre fasi fornisce un quadro strutturato per affrontare i bias. La pre-elaborazione è incentrata sui dati; mira a creare un dataset "equo" prima che il modello lo elabori. Tecniche come la riponderazione assegnano un'importanza diversa ai punti dati per contrastare gli squilibri, mentre il sovracampionamento/sottocampionamento regola il numero di istanze provenienti da gruppi diversi. Questo approccio è indipendente dal modello, ma potrebbe alterare la distribuzione sottostante dei dati.

L'in-processing è incentrato sul modello. Modifica la funzione obiettivo dell'algoritmo di apprendimento per includere un termine di penalità per l'iniquità. Ad esempio, un modello potrebbe essere ottimizzato per massimizzare l'accuratezza e al contempo minimizzare la differenza nei tassi di errore tra i gruppi. Ciò può portare a soluzioni più integrate, ma richiede la modifica dell'algoritmo principale, rendendolo meno flessibile.

La post-elaborazione è incentrata sulla previsione. Prende gli output di un modello addestrato, potenzialmente distorto, e li adatta per soddisfare un criterio di equità. Ciò può comportare la modifica delle soglie di classificazione per diversi gruppi. È il metodo meno invasivo in quanto tratta il modello come una scatola nera, ma può ridurre l'utilità complessiva e può sembrare improvvisato. La scelta della fase dipende da fattori quali l'accesso ai dati di addestramento, la possibilità di modificare il modello e gli specifici obiettivi di equità.

UNESCO Nomenclature: 1203
- Informatica

Tipo

Sistema astratto

Interruzione

Sostanziale

Utilizzo

Uso diffuso

Precursori

  • 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

Applicazioni

  • the AIF360 toolkit by IBM, which implements algorithms from all three categories
  • Lo strumento "What-If" di Google, che consente di esplorare il comportamento e l'equità dei modelli.
  • fairlearn, an open-source python package for assessing and improving fairness
  • commercial AI platforms offering built-in bias detection and mitigation features

Brevetti:

NA

Idee e potenziali innovazioni

A causa dell'eliminazione del traffico generato dai bot, che attualmente supera i 40.000 al giorno, questo contenuto è riservato ai membri della community.
> Accedi O > Registrati L'accesso a questo contenuto, così come a tutti gli altri contenuti e strumenti riservati, è (100% gratuito).

Argomenti correlati: mitigazione dei bias, pre-elaborazione, elaborazione in corso, post-elaborazione, apprendimento automatico equo, riponderazione, ricampionamento, vincoli di equità, equità algoritmica, etica dell'IA.

Contesto storico

Fasi di elaborazione della mitigazione dei pregiudizi

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

(se la data è sconosciuta o non rilevante, ad esempio "meccanica dei fluidi", viene fornita una stima approssimativa della sua notevole comparsa)

Invenzioni, innovazioni e principi tecnici correlati

Le immagini a grandezza naturale e i download sono disponibili, 100% gratuitamente, solo per i membri registrati.

> Login <