شارك Vatsal Ghiya ، الرئيس التنفيذي والمؤسس المشارك لـ Shaip في ميزة الضيف الخاص ، بعض الأفكار حول التحيز في التعلم الآلي. بالإضافة إلى ذلك ، شدد أيضًا على السبب وراء التحيزات في الذكاء الاصطناعي وكيفية القضاء على التحيز في نماذج الذكاء الاصطناعي / تعلم الآلة.
الاقتراحات الرئيسية من المقال هي:
- من اقتراحات المطاعم إلى حل تذاكر الخدمة ، يتم استخدام روبوتات الدردشة بالذكاء الاصطناعي بشكل متزايد في مجالات مثل الرعاية الصحية ، والخدمات المصرفية ، والتمويل ، وإصلاح فجوات الأجور. مع وجود عدد كبير من حالات الاستخدام ، فإن ما يصبح أمرًا لا مفر منه هو العدالة المرتبطة بالعملية بأكملها.
- يحدث التحيز في نموذج الذكاء الاصطناعي أثناء مراحل التدريب حيث يقوم خبراء الذكاء الاصطناعي بتغذية كميات من البيانات بميول وتفضيلات معينة. على وجه الخصوص ، هناك نوعان من التحيزات ، التحيز المعرفي الأول والثاني التحيزات التي تحدث بسبب نقص البيانات.
- ولكن الخبر السار هو أنه يمكن القضاء على التحيزات في نماذج الذكاء الاصطناعي باستخدام المجموعة الصحيحة من البيانات جنبًا إلى جنب مع مراقبة البيانات في الوقت الفعلي ونماذج البيانات التمثيلية. نظرًا لأنه يسيطر على حياتنا اليومية ، فمن المهم في النهاية توخي الحذر مع مدخلاتنا للحفاظ على الجودة.
قراءة المقال كاملا هنا:
https://datafloq.com/read/how-to-handle-bias-in-machine-learning/
