Підсумки
Як усунути упередження з моделей машинного навчання та забезпечити справедливість прогнозів? На яких трьох етапах можна застосувати рішення для пом’якшення упередження? Цей шаблон коду відповідає на ці запитання, щоб допомогти вам прийняти зважене рішення, використовуючи результати прогнозних моделей.
Якщо у вас є запитання щодо цього шаблону коду, задайте їх або знайдіть відповіді у пов’язаних форум.
Опис
Справедливість у даних і алгоритмах машинного навчання має вирішальне значення для створення безпечних і відповідальних систем штучного інтелекту. Хоча точність є одним із показників для оцінки точності моделі машинного навчання, справедливість дає вам спосіб зрозуміти практичні наслідки розгортання моделі в реальній ситуації.
У цьому шаблоні коду ви використовуєте набір даних про діабет, щоб передбачити, чи схильна людина до діабету. Ви будете використовувати IBM Watson® Studio, IBM Cloud Object Storage і AI Fairness 360 Toolkit для створення даних, застосування алгоритму пом’якшення упередженості, а потім аналізу результатів.
Після завершення цього шаблону коду ви зрозумієте, як:
- Створіть проект за допомогою Watson Studio
- Використовуйте інструментарій AI Fairness 360 Toolkit
Потік
- Увійдіть до IBM Watson Studio на базі Spark, запустіть IBM Cloud Object Storage та створіть проект.
- Завантажте файл даних .csv до IBM Cloud Object Storage.
- Завантажте файл даних у ноутбук Watson Studio.
- Встановіть AI Fairness 360 Toolkit в ноутбук Watson Studio.
- Проаналізуйте результати після застосування алгоритму пом’якшення зміщення на етапах попередньої обробки, в процесі обробки та після обробки.
інструкції
Знайдіть докладні кроки для цього шаблону в ридми файл. Ці кроки покажуть вам, як:
- Створіть обліковий запис у IBM Cloud.
- Створіть новий проект Watson Studio.
- Додати дані.
- Створіть зошит.
- Вставте дані як DataFrame.
- Запустіть блокнот.
- Проаналізуйте результати.
Цей шаблон коду є частиною Набір інструментів AI 360: пояснення моделей AI Серія варіантів використання, яка допомагає зацікавленим сторонам і розробникам повністю зрозуміти життєвий цикл моделі AI та допомогти їм приймати зважені рішення.
Джерело: https://developer.ibm.com/patterns/identify-and-remove-bias-from-ai-models/