Słownik pojęć

Bias

Czym jest Bias?

W AI bias (stronniczość) oznacza systematyczne zniekształcenie wyników. Często wynika z niezrównoważonych lub historycznie zniekształconych danych treningowych, ale także z konstrukcji modelu lub sposobu sformułowania pytania. Znany przykład: narzędzie do preselekcji kandydatów, które uczy się na podstawie wcześniejszych decyzji rekrutacyjnych, może utrwalać istniejące nierówności. W statystyce bias oznacza również obciążenie estymatora, czyli odchylenie oszacowania od wartości prawdziwej. Środki zaradcze obejmują zróżnicowane dane, regularne audyty i podejmowanie decyzji kadrowych przez ludzi.

Tematy

  • Etyka AI
  • Fairness
  • Jakość danych

Wypróbuj KI.ordo

Agenci, przepływy i szablony w jednym obszarze roboczym – bezpłatne demo na 24 godziny.

Uruchom demo
← Wszystkie pojęcia

Powiązane pojęcia

Dyskryminacja w AI

Dyskryminacja w AI występuje wtedy, gdy system AI bezpodstawnie stawia ludzi w gorszej sytuacji ze względu na cechy takie jak płeć, pochodzenie etniczne, wiek czy niepełnosprawność. Przyczyną są zwykle zniekształcone dane treningowe, nieodpowiednie cechy zastępcze, takie jak kody pocztowe, lub brak testów; znane przypadki pochodzą z rekrutacji i udzielania kredytów. Środki zaradcze to reprezentatywne dane, regularne testy pod kątem sprawiedliwości, przejrzystość i nadzór człowieka nad decyzjami dotyczącymi ludzi.

  • sprawiedliwość
  • stronniczość
  • +1

Dane treningowe

Dane treningowe to przykłady, z których model AI uczy się wzorców: duże zbiory tekstów dla modeli językowych, obrazy z etykietami dla modeli obrazowych. Ich jakość, różnorodność i aktualność w dużej mierze decydują o tym, jak niezawodny i sprawiedliwy jest model oraz jak aktualna jest jego wiedza. Dla organizacji ma też znaczenie, czy dostawca wykorzystuje wprowadzane przez klientów dane do dalszego trenowania.

  • Dane
  • Training
  • +1

Etyka AI

Etyka AI zajmuje się pytaniami moralnymi związanymi z rozwojem i wykorzystaniem AI: sprawiedliwością i dyskryminacją, przejrzystością i wyjaśnialnością, ochroną danych, odpowiedzialnością za błędy, bezpieczeństwem oraz skutkami dla pracy i społeczeństwa. W organizacjach konkretyzuje się w wytycznych, ocenach ryzyka, nadzorze człowieka i szczerej komunikacji o ograniczeniach AI. Przykład: przed wprowadzeniem narzędzia do selekcji CV sprawdza się, czy nie dyskryminuje ono określonych grup.

  • etyka
  • Właściwy dział
  • +1

Wyjaśnialność

Wyjaśnialność (explainable AI, XAI) opisuje, na ile można zrozumieć, dlaczego system AI doszedł do określonego wyniku. Obejmuje metody pokazujące, które dane wejściowe w największym stopniu wpłynęły na decyzję, a także praktyczne pomoce, takie jak wskazanie źródeł i logi. Wyjaśnialność ma znaczenie dla zaufania, usuwania błędów i regulacji – na przykład gdy bank musi uzasadnić odrzucenie wniosku.

  • XAI
  • Przejrzystość
  • +1