Kesimpulan
Bagaimana cara Anda menghilangkan bias dari model pembelajaran mesin dan memastikan bahwa prediksinya adil? Apa tiga tahap di mana solusi mitigasi bias dapat diterapkan? Pola kode ini menjawab pertanyaan-pertanyaan ini untuk membantu Anda membuat keputusan yang tepat dengan menggunakan hasil model prediktif.
Jika Anda memiliki pertanyaan tentang pola kode ini, tanyakan atau cari jawabannya di bagian terkait forum.
Deskripsi Produk
Keadilan dalam data dan algoritme pembelajaran mesin sangat penting untuk membangun sistem AI yang aman dan bertanggung jawab. Meskipun akurasi adalah salah satu metrik untuk mengevaluasi keakuratan model pembelajaran mesin, keadilan memberi Anda cara untuk memahami implikasi praktis dari penerapan model dalam situasi dunia nyata.
Dalam pola kode ini, Anda menggunakan kumpulan data diabetes untuk memprediksi apakah seseorang rentan mengidap diabetes. Anda akan menggunakan IBM Watson® Studio, IBM Cloud Object Storage, dan AI Fairness 360 Toolkit untuk membuat data, menerapkan algoritme mitigasi bias, lalu menganalisis hasilnya.
Setelah menyelesaikan pola kode ini, Anda memahami cara:
- Buat proyek menggunakan Watson Studio
- Gunakan AI Fairness 360 Toolkit
Aliran
- Masuk ke IBM Watson Studio yang diberdayakan oleh Spark, mulai IBM Cloud Object Storage, dan buat proyek.
- Unggah file data .csv ke IBM Cloud Object Storage.
- Muat file data di notebook Watson Studio.
- Instal AI Fairness 360 Toolkit di notebook Watson Studio.
- Analisis hasil setelah menerapkan algoritme mitigasi bias selama tahap pra-pemrosesan, dalam pemrosesan, dan pasca pemrosesan.
petunjuk
Temukan langkah-langkah terperinci untuk pola ini di menu readme mengajukan. Langkah-langkahnya akan menunjukkan cara:
- Buat akun dengan IBM Cloud.
- Buat proyek Watson Studio baru.
- Tambahkan data.
- Buat buku catatan.
- Masukkan data sebagai DataFrame.
- Jalankan notebook.
- Analisis hasilnya.
Pola kode ini adalah bagian dari Toolkit AI 360: Model AI dijelaskan use case series, yang membantu pemangku kepentingan dan pengembang untuk memahami siklus hidup model AI sepenuhnya dan membantu mereka membuat keputusan yang tepat.
Sumber: https://developer.ibm.com/patterns/identify-and-remove-bias-from-ai-models/