О чём рассказывается в презентации:
Презентация посвящена проблеме предвзятости в данных и её влиянию на алгоритмы искусственного интеллекта. В ней рассматриваются источники предвзятости, включая исторические предвзятости, которые закрепляются в обучающих наборах данных, а также методы её смягчения, такие как предварительная обработка данных и внедрение справедливых ограничений в алгоритмы. Важно понимать, как эти аспекты влияют на справедливость и точность решений, принимаемых на основе данных.
Оглавление
Bias in Data: How Data Can Be Unfair
Data bias originates from systematic errors in system design and data collection
Historical prejudices are frequently embedded in training datasets
Proxy variables enable indirect discrimination even when sensitive features are removed
Healthcare and facial recognition systems show tangible failure rates linked to bias
Evaluation bias occurs when metrics overlook fairness across demographic groups
The fairness-accuracy trade-off typically results in a minor decrease in overall model performance
Pre-processing strategies address bias before the training phase begins
In-processing methods inject fairness constraints directly into the learning algorithm
Post-processing adjustments act as a final layer of intervention and oversight
Building bias awareness into the AI lifecycle safeguards against systemic failure
Legal frameworks mandate transparency and accountability for AI systems
Explainable AI and federated learning represent the future of equitable modeling
Key Takeaways: Building Fairer AI
Thank You!
