Wie man Verzerrungen in Machine-Learning-Algorithmen ausschließen kann

In den letzten Jahren haben sich Machine-Learning-Algorithmen als bemerkenswert nützlich erwiesen, um Menschen bei verschiedenen Aufgaben zu helfen. Allerdings können ML-Algorithmen manchmal verzerrte Ergebnisse produzieren, die sehr ungerecht und beleidigend für einige Menschen sein können. Zum Beispiel gibt es sogar Gerichtsverfahren in New York, die klären sollen, ob automatisierte Einstellungstools und ihre möglichen verzerrten Schlussfolgerungen gegen Gesetze verstoßen. Bei meinem Unternehmen erstellen wir regelmäßig ML-basierte Lösungen, weshalb hohe Ausgabe-Genauigkeit für uns entscheidend ist. Nach der Erforschung und Testung mehrerer ML-Modelle auf verschiedenen Projekten konnten wir wichtige Regeln und Lösungen identifizieren, die uns helfen, Verzerrungen in ML-Algorithmen zu minimieren. Es gibt drei wichtige Regeln, die mein Team und ich immer beachten, wenn wir ML-Algorithmen erstellen: • Stellen Sie eine ordnungsgemäße Datensammlung sicher. Sie sollten die genauen Daten und deren Funktionen verstehen, die für das korrekte Training Ihres ML-Moduls erforderlich sind. Die Datensammlung sollte von einem Branchenexperten geleitet werden, der weiß, welche Daten gesammelt werden müssen. Außerdem ist es ein Muss, eine explorative Datenanalyse (EDA) durchzuführen, um die Struktur, Eigenschaften und möglichen Anomalien des gesammelten Datensatzes zu verstehen, bevor Sie ihn auf den Algorithmus anwenden. • Wählen Sie das richtige Lernmodell. Es gibt verschiedene Arten von Lernansätzen, die Sie wählen können, wenn Sie einen ML-Algorithmus erstellen, wie überwachtes Lernen, unüberwachtes Lernen, teilweise überwachtes Lernen, selbstüberwachtes Lernen, Verstärkungslernen, Transferlernen und Online-Lernen. Sie müssen bestimmen, welcher Ansatz oder welche Kombination am besten für Ihren Algorithmus geeignet ist, basierend auf dem zu lösenden Problem, den verfügbaren Daten und dem gewünschten Ergebnis. • Führen Sie eine Verzerrungsprüfung in der Praxis durch. Obwohl ein Algorithmus in den kontrollierten Bedingungen des Entwicklungsprozesses gut funktionieren kann, können Anwendungen im echten Leben unerwartete Verzerrungen aufdecken. Sie sollten Ihren ML-Algorithmus regelmäßig mit faktischen Daten testen, um Verzerrungen zu erkennen und zu korrigieren, bevor sie sich negativ auf Benutzer auswirken. Ich glaube, dass die Verzerrungsprävention niemals vernachlässigt werden sollte, wenn ML-Algorithmen erstellt werden. Deshalb verbessern wir immer unser Verzerrungserkennungsverfahren und verwenden verschiedene Techniken und speziell entwickelte Tools, um eine hohe Ausgabe-Genauigkeit zu gewährleisten. Meine fünf besten Anti-Bias-Lösungen sind: 1. AI Fairness 360. Das Open-Source-Toolkit wa