kokkuvõte
Kuidas eemaldada masinõppemudelitest eelarvamus ja tagada, et ennustused on õiglased? Millised on kolm etappi, milles saab kallutamise leevendamise lahendust rakendada? See koodimuster annab neile küsimustele vastused, et aidata teil ennustavate mudelite tulemusi kasutades teha teadlikke otsuseid.
Kui teil on selle koodimustri kohta küsimusi, küsige neid või otsige vastuseid seotud jaotisest foorum.
Kirjeldus
Andmete ja masinõppe algoritmide õiglus on ohutute ja vastutustundlike AI-süsteemide ehitamisel ülioluline. Kuigi täpsus on üks mõõdik masinõppemudeli täpsuse hindamiseks, annab õiglus teile võimaluse mõista mudeli reaalses olukorras kasutuselevõtmise praktilisi tagajärgi.
Selles koodimustris kasutate diabeedi andmekogumit, et ennustada, kas inimesel on diabeet. Andmete loomiseks kasutate IBM Watson® Studio, IBM Cloud Object Storage ja AI Fairness 360 Toolkit, rakendate kallutatuse leevendamise algoritmi ja seejärel analüüsite tulemusi.
Pärast selle koodimustri täitmist saate aru, kuidas:
- Looge projekt Watson Studio abil
- Kasutage AI Fairness 360 tööriistakomplekti
voolama
- Logige sisse Sparki toel töötavasse IBM Watson Studiosse, käivitage IBM Cloud Object Storage ja looge projekt.
- Laadige .csv-andmefail üles IBM Cloud Object Storage'i.
- Laadige andmefail Watson Studio sülearvutisse.
- Installige Watson Studio sülearvutisse AI Fairness 360 tööriistakomplekt.
- Analüüsige tulemusi pärast eeltöötluse, töötlemise ja järeltöötluse etapis kallutatuse leevendamise algoritmi rakendamist.
Juhised
Selle mustri üksikasjalikud juhised leiate jaotisest readme faili. Need sammud näitavad teile, kuidas:
- Looge IBM Cloudiga konto.
- Looge uus Watson Studio projekt.
- Andmete lisamine.
- Loo märkmik.
- Sisestage andmed DataFrame'ina.
- Käivitage märkmik.
- Analüüsige tulemusi.
See koodimuster on osa AI 360 tööriistakomplekt: AI mudelite selgitus kasutusjuhtumite seeriad, mis aitavad sidusrühmadel ja arendajatel mõista tehisintellekti mudeli elutsüklit täielikult ja aidata neil teha teadlikke otsuseid.
Allikas: https://developer.ibm.com/patterns/identify-and-remove-bias-from-ai-models/