Χαρακτηριστικά
Πώς καταργείτε την προκατάληψη από τα μοντέλα μηχανικής εκμάθησης και διασφαλίζετε ότι οι προβλέψεις είναι δίκαιες; Ποια είναι τα τρία στάδια στα οποία μπορεί να εφαρμοστεί η λύση μετριασμού των προκαταλήψεων; Αυτό το μοτίβο κώδικα απαντά σε αυτές τις ερωτήσεις για να σας βοηθήσει να λάβετε τεκμηριωμένη απόφαση καταναλώνοντας τα αποτελέσματα των μοντέλων πρόβλεψης.
Εάν έχετε ερωτήσεις σχετικά με αυτό το μοτίβο κώδικα, ρωτήστε τις ή αναζητήστε απαντήσεις στο σχετικό δικαστήριο.
Περιγραφή
Η ορθότητα των αλγορίθμων δεδομένων και μηχανικής μάθησης είναι ζωτικής σημασίας για τη δημιουργία ασφαλών και υπεύθυνων συστημάτων AI. Ενώ η ακρίβεια είναι μια μέτρηση για την αξιολόγηση της ακρίβειας ενός μοντέλου μηχανικής μάθησης, η δικαιοσύνη σάς δίνει έναν τρόπο να κατανοήσετε τις πρακτικές επιπτώσεις της ανάπτυξης του μοντέλου σε μια πραγματική κατάσταση.
Σε αυτό το μοτίβο κώδικα, χρησιμοποιείτε ένα σύνολο δεδομένων διαβήτη για να προβλέψετε εάν ένα άτομο είναι επιρρεπές σε διαβήτη. Θα χρησιμοποιήσετε το IBM Watson® Studio, το IBM Cloud Object Storage και το AI Fairness 360 Toolkit για να δημιουργήσετε τα δεδομένα, να εφαρμόσετε τον αλγόριθμο μετριασμού μεροληψίας και μετά να αναλύσετε τα αποτελέσματα.
Αφού ολοκληρώσετε αυτό το μοτίβο κώδικα, καταλαβαίνετε πώς να:
- Δημιουργήστε ένα έργο χρησιμοποιώντας το Watson Studio
- Χρησιμοποιήστε το AI Fairness 360 Toolkit
Ροή
- Συνδεθείτε στο IBM Watson Studio με την υποστήριξη του Spark, ξεκινήστε το IBM Cloud Object Storage και δημιουργήστε ένα έργο.
- Ανεβάστε το αρχείο δεδομένων .csv στο IBM Cloud Object Storage.
- Φορτώστε το αρχείο δεδομένων στο σημειωματάριο Watson Studio.
- Εγκαταστήστε το AI Fairness 360 Toolkit στον φορητό υπολογιστή Watson Studio.
- Αναλύστε τα αποτελέσματα αφού εφαρμόσετε τον αλγόριθμο μετριασμού μεροληψίας κατά τη διάρκεια των σταδίων προεπεξεργασίας, επεξεργασίας και μετα-επεξεργασίας.
Οδηγίες
Βρείτε τα λεπτομερή βήματα για αυτό το μοτίβο στο readme αρχείο. Τα βήματα θα σας δείξουν πώς:
- Δημιουργήστε ένα λογαριασμό στο IBM Cloud.
- Δημιουργήστε ένα νέο έργο Watson Studio.
- Προσθήκη δεδομένων.
- Δημιουργήστε τον φορητό υπολογιστή.
- Εισαγάγετε τα δεδομένα ως DataFrame.
- Εκτελέστε το σημειωματάριο.
- Αναλύστε τα αποτελέσματα.
Αυτό το μοτίβο κώδικα είναι μέρος του Το AI 360 Toolkit: Τα μοντέλα AI εξηγούνται Χρησιμοποιήστε σειρές περιπτώσεων, οι οποίες βοηθούν τους ενδιαφερόμενους και τους προγραμματιστές να κατανοήσουν πλήρως τον κύκλο ζωής του μοντέλου AI και να τους βοηθήσουν να λάβουν ενημερωμένες αποφάσεις.
Πηγή: https://developer.ibm.com/patterns/identify-and-remove-bias-from-ai-models/
- Λογαριασμός
- AI
- αλγόριθμος
- αλγόριθμοι
- σώμα
- Κτίριο
- Backup
- κωδικός
- περιεχόμενο
- ημερομηνία
- σύνολο δεδομένων
- προγραμματιστές
- Διαβήτης
- έκθεση
- ροή
- Πως
- Πώς να
- HTTPS
- IBM
- IBM Cloud
- IBM Watson
- προσδιορίσει
- μάθηση
- μάθηση μηχανής
- μοντέλο
- Αποθήκευση αντικειμένων
- πρότυπο
- Προβλέψεις
- σχέδιο
- Αποτελέσματα
- ένα ασφαλές
- Σειρές
- σειρά
- χώρος στο δίσκο
- συστήματα
- Watson
- Στούντιο Watson