Викторина, связанная с руководством · Средний Уровень
Межсекционное смещение в викторине по искусственному интеллекту
Проверьте, как объединенное членство в группах может выявить ошибки, скрытые одноосными средними значениями, используя ограниченные данные из Gender Shades.
Вопрос 1 из 8
Что описывает перекрестный предвзятость в аудите ИИ?
Предварительный просмотр каждого вопроса8 вопросы
Ответы и пояснения появляются по мере прохождения теста.
- Что описывает перекрестный предвзятость в аудите ИИ?
- Только низкий общий балл
- Модель, которая работает медленно
- Плохие результаты для объединённой подгруппы, скрытой широкими средними значениями
- Отсутствующий индекс базы данных
- Какая группа имела наибольшее количество ошибок в системах, протестированных в исследовании Gender Shades?
- Светлокожие мужчины
- Темнокожие женщины
- Все группы одинаково
- Люди, использующие инвалидные коляски
- Какое ограничение должно сопровождать результат Gender Shades?
- Он доказал, что все текущие системы ИИ предвзяты
- Он изучал конкретные системы и задачу бинарной классификации пола в то время
- Он оценивал только решения по кредитам
- Он включал каждую демографическую группу
- Почему отдельные метрики расы и гендера могут упустить проблему?
- Они всегда используют недействительную математику
- Они устраняют необходимость тестирования
- Разница на пересечении расы и гендера может нивелироваться в широких группах
- Они раскрывают каждое индивидуальное предсказание
- Что следует указывать вместе с показателями интерсекциональной эффективности?
- Количество и степень неопределённости
- Только лучший показатель подгруппы
- Маркетинговый слоган модели
- Нет информации о размере выборки
- Почему интерсекциональное тестирование может требовать мер защиты конфиденциальности?
- Это может включать чувствительные атрибуты и небольшие ячейки
- Это всегда раскрывает веса модели
- Это препятствует оценке
- Это меняет определения защищённого класса
- Что команда должна избегать выводить из разреженных данных подгруппы?
- Эту неопределённость следует контролировать
- Может потребоваться больше доказательств
- Группа не затронута только потому, что оценка не точна
- Контроль конфиденциальности имеет значение
- Когда следует повторять интерсекциональную оценку?
- Только перед первым выпуском
- После обновлений и при расширении развертывания на новые группы
- Никогда, если модель прошла один аудит
- Только когда общая точность падает