خلاصه
چگونه سوگیری را از مدل های یادگیری ماشین حذف می کنید و از منصفانه بودن پیش بینی ها اطمینان می دهید؟ سه مرحله که راه حل کاهش سوگیری را می توان در آن اعمال کرد کدامند؟ این الگوی کد به این سؤالات پاسخ می دهد تا به شما کمک کند تا با مصرف نتایج مدل های پیش بینی، تصمیمی آگاهانه بگیرید.
اگر در مورد این الگوی کد سؤالی دارید، از آنها بپرسید یا در قسمت مرتبط به دنبال پاسخ بگردید انجمن.
توضیحات:
انصاف در داده ها و الگوریتم های یادگیری ماشین برای ساختن سیستم های هوش مصنوعی ایمن و مسئولانه بسیار مهم است. در حالی که دقت یکی از معیارهای ارزیابی دقت یک مدل یادگیری ماشینی است، انصاف راهی برای درک مفاهیم عملی استقرار مدل در یک موقعیت دنیای واقعی به شما می دهد.
در این الگوی کد، از مجموعه داده های دیابت برای پیش بینی اینکه آیا فرد مستعد ابتلا به دیابت است یا خیر استفاده می کنید. شما از IBM Watson® Studio، IBM Cloud Object Storage و AI Fairness 360 Toolkit برای ایجاد داده ها، اعمال الگوریتم کاهش تعصب و سپس تجزیه و تحلیل نتایج استفاده خواهید کرد.
پس از تکمیل این الگوی کد، متوجه می شوید که چگونه:
- با استفاده از Watson Studio یک پروژه ایجاد کنید
- از جعبه ابزار AI Fairness 360 استفاده کنید
جریان
- وارد IBM Watson Studio که توسط Spark طراحی شده است، IBM Cloud Object Storage را راه اندازی کنید و یک پروژه ایجاد کنید.
- فایل داده csv. را در IBM Cloud Object Storage آپلود کنید.
- فایل داده را در نوت بوک Watson Studio بارگیری کنید.
- جعبه ابزار AI Fairness 360 را در نوت بوک Watson Studio نصب کنید.
- نتایج را پس از اعمال الگوریتم کاهش تعصب در مراحل پیش پردازش، حین پردازش و پس از پردازش تجزیه و تحلیل کنید.
دستورالعمل ها
مراحل دقیق این الگو را در قسمت پیدا کنید صفحهی راهنمای ترجمهها فایل. مراحل به شما نشان می دهد که چگونه:
- یک حساب کاربری با IBM Cloud ایجاد کنید.
- یک پروژه جدید واتسون استودیو ایجاد کنید.
- داده ها را اضافه کنید.
- نوت بوک را ایجاد کنید.
- داده ها را به عنوان DataFrame وارد کنید.
- نوت بوک را اجرا کنید.
- نتایج را تجزیه و تحلیل کنید.
این الگوی کد بخشی از جعبه ابزار AI 360: مدل های هوش مصنوعی توضیح داده شده است از سری موارد استفاده کنید، که به ذینفعان و توسعه دهندگان کمک می کند تا چرخه عمر مدل هوش مصنوعی را به طور کامل درک کنند و به آنها در تصمیم گیری آگاهانه کمک کند.
منبع: https://developer.ibm.com/patterns/identify-and-remove-bias-from-ai-models/