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.

Связанные направляющие путиМежсекционное смещение в ИИ
Вопрос 1 из 8

Что описывает перекрестный предвзятость в аудите ИИ?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. 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
  2. Какая группа имела наибольшее количество ошибок в системах, протестированных в исследовании Gender Shades?
    • Светлокожие мужчины
    • Темнокожие женщины
    • Все группы одинаково
    • Люди, использующие инвалидные коляски
  3. 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
  4. 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
  5. Что следует указывать вместе с показателями интерсекциональной эффективности?
    • Количество и степень неопределённости
    • Только лучший показатель подгруппы
    • Маркетинговый слоган модели
    • Нет информации о размере выборки
  6. 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
  7. 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
  8. 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