Licenca
To delo je na voljo pod pogoji slovenske licence Creative Commons 2.5:
priznanje avtorstva - nekomercialno - deljenje pod enakimi pogoji.
Celotna licenca je na voljo na spletu na naslovu http://creativecommons.org/licenses/by-nc-sa/2.5/si/. V skladu s to licenco je dovoljeno vsakemu uporabniku delo razmnoževati, distribuirati, javno priobčevati, dajati v najem in tudi predelovati, vendar samo v nekomercialne namene in ob pogoju, da navede avtorja oziroma avtorje in izdajatelja tega dela. Če uporabnik delo predela, kar pomeni, da ga spremeni, preoblikuje, prevede ali uporabi to delo v svojem delu, lahko predelavo dela ponudi na voljo le pod pogoji, ki so enaki pogojem iz te licence oziroma pod enako licenco.
Pristranskost pri označevanju podatkov
Veliko podatkov, potrebnih za usposabljanje oziroma učenje algoritmov strojnega učenja, je treba označiti, preden so uporabni. To pravzaprav pogosto počnemo sami, ko se prijavljamo na spletna mesta. So te že kdaj prosili, da prepoznaš kvadratke, na katerih so semaforji? S tem pravzaprav potrjuješ nabor oznak za to sliko, kot pomoč pri urjenju modelov vizualnega prepoznavanja. Način, na katerega označujemo podatke, pa se zelo razlikuje in nedoslednosti pri označevanju lahko v sistem vnesejo pristranskost.
Predstavljaj si, da treniraš sistem z označevanjem levov z uporabo okvirjev na zgornjih slikah. Nato svojemu sistemu pokažeš naslednjo sliko:
Zelo nadležno je, da sistem ne more prepoznati zelo očitnega leva na sliki. Z označevanjem samo obrazov levov si sistem nehote naučil(-a), da prepozna samo leve, ki so obrnjeni naprej in kažejo obraz!
Zmanjšanje pristranskosti podatkov
Zmanjšanje pristranskosti znotraj umetne inteligence se začne z upravljanjem umetne inteligence. Upravljanje UI se nanaša na smernice, ki pomagajo zagotoviti, da so orodja in sistemi UI varni in etični. Odgovorne prakse umetne inteligence, ki poudarjajo preglednost, odgovornost in etične vidike, lahko vodijo organizacije pri krmarjenju s kompleksnostjo zmanjševanja pristranskosti.
Široka zastopanost v virih podatkov pomaga zmanjšati pristranskost. Postopek zbiranja podatkov bi moral zajemati široko paleto demografskih podatkov, kontekstov in pogojev, ki so vsi ustrezno zastopani. Na primer, če podatki, zbrani za orodja za prepoznavanje obrazov, pretežno vključujejo slike belcev, model morda ne bo natančno prepoznal ali razlikoval temnopoltih obrazov. Podobno velja za pristranskost pri označevanju podatkov.
Sintetični podatki so umetno ustvarjeni podatki, ustvarjeni z računalniško simulacijo ali algoritmi, ki nadomestijo vire podatkov iz resničnega sveta. Sintetični podatki so koristna alternativa, kadar podatki niso na voljo in ker nudijo večjo zaščito zasebnosti podatkov. Sintetični podatki blažijo pristranskost tako, da omogočajo namerno ustvarjanje uravnoteženih podatkovnih nizov, ki vključujejo premalo zastopane skupine in scenarije.
Uporaba orodij in ogrodij za algoritemsko pravičnost lahko pomaga pri odkrivanju in ublažitvi pristranskosti v modelih strojnega učenja. AI Fairness 360, odprtokodni komplet orodij, ki ga je razvil IBM, ponuja različne meritve za odkrivanje pristranskosti v virih podatkov in modelih strojnega učenja.
- HOW AI WORKS
- Intro to AI
- Machine Learning
- Training Data and Bias
- Neural Networks
- Computer Vision
- ChatBots and Large Language Models
- Creativity and Imagination
- ETHICS AND AI
- Equal Access and Algorithmic Bias
- Privacy & the Future of Work
- Why AI Matters
Code.org ponuja zelo dobro aktivnost, da spoznaš osnove UI in strojnega učenja.
Pomagaj UI očistiti oceane tako, da jo naučiš odkrivati smeti. Spoznaj učenje UI in mogoče pristranskosti ter kako lahko UI pomaga pri reševanju težav.