تحيز الذكاء الاصطناعي

دراسة كيفية جمع الأمثلة والتسميات. يمكن للمجموعات السكانية المفقودة، والتعليقات التوضيحية غير المتسقة، والقرارات التاريخية، والقياس الانتقائي أن تشكل ما يتعلمه النموذج. قد تعكس تسمية الهدف عملية قديمة بدلاً من النتيجة الأساسية التي يهتم بها الناس. قم بقياس الأداء عبر المجموعات والظروف ذات الصلة باستخدام عناصر التحكم المناسبة في الخصوصية. الإبلاغ عن أحجام العينات وعدم اليقين. ومن الممكن أن يكون لدى مجموعة فرعية صغيرة تقديرات غير موثوقة، في حين أن المتوسط ​​العالمي من الممكن أن يخفي تفاوتا كبيرا ومهما من الناحية العملية. معايير العدالة المختلفة تجيب على أسئلة مختلفة ويمكن أن تتعارض. إن مساواة مقياس إحصائي واحد لا يحل كل المخاوف الأخلاقية أو القانونية. اختر معايير ذات خبرة في المجال ومشاركة الأشخاص المتأثرين بالنظام. مراجعة سير العمل حول النموذج. إن كيفية استخدام التنبؤات، ومن يمكنه تحدي النتيجة، وكيفية جمع التعليقات يمكن أن يغير توزيع الضرر. تقييم عمليات التخفيف لكل من التأثير المقصود والمشاكل الجديدة المحتملة. تعامل مع العدالة على أنها تقييم مستمر وليس شهادة لمرة واحدة.