የ AI አድልዎ ምንድን ነው?

የAI አድልዎ ምንድን ነው እያሰቡ ከሆነ ፣ ይህ መመሪያ ለእርስዎ ነው።

ከዚህ ጽሑፍ በኋላ ሊያነቧቸው የሚችሏቸው ጽሑፎች፡

🔗 ጂፒቲ ምን ማለት ነው
የጂፒቲ ስም እና አመጣጥ በእንግሊዝኛ ግልጽ የሆነ ዝርዝር።.

🔗 ትንበያ AI ምንድን ነው?
ትንበያ ሞዴሎች ከታሪካዊ እና ከቀጥታ መረጃ ውጤቶችን እንዴት እንደሚተነብዩ።.

🔗 ክፍት ምንጭ AI ምንድን ነው?
ፍቺ፣ ቁልፍ ጥቅሞች፣ ተግዳሮቶች፣ ፈቃዶች እና የፕሮጀክት ምሳሌዎች።.

🔗 የአይአይ (AI) ወደ ንግድዎ እንዴት ማካተት እንደሚቻል
ደረጃ በደረጃ የመንገድ ካርታ፣ መሳሪያዎች፣ የስራ ፍሰቶች እና የለውጥ አስተዳደር አስፈላጊ ነገሮች።.

ፈጣን ፍቺ፡ የ AI አድልዎ ምንድን ነው?

የAI አድልዎ ማለት የAI ስርዓት ውጤቶች የተወሰኑ ሰዎችን ወይም ቡድኖችን በስርዓት ሲደግፉ ወይም ሲጎዱ ነው። ብዙውን ጊዜ የሚመነጨው ሚዛናዊ ካልሆነ መረጃ፣ ጠባብ የመለኪያ ምርጫዎች ወይም ስርዓቱ የተገነባበት እና የሚጠቀምበት ሰፊ አውድ ነው። አድልዎ ሁልጊዜ ተንኮል አዘል አይደለም፣ ነገር ግን ካልተመረጡ ጉዳቶችን በፍጥነት ሊያሳድግ ይችላል። [1]

ጠቃሚ ልዩነት ፡ አድልዎ በውሳኔ አሰጣጥ ውስጥ ያለው የተዛባ አመለካከት ሲሆን አድልዎ ደግሞ በዓለም ላይ ሊፈጥር የሚችለው ጎጂ ውጤት ነው። ሁሉንም አድልዎ ሁልጊዜ ማስወገድ አይቻልም፣ ነገር ግን ፍትሃዊ ያልሆኑ ውጤቶችን እንዳይፈጥር መቆጣጠር አለብዎት። [2]

አድልዎ መረዳት ለምን የተሻለ ያደርግሃል 💡

እንግዳ ነገር ነው አይደል? ግን የ AI አድልዎ ምን እንደሆነ የሚከተሉትን ያደርግዎታል፦

• በዲዛይን የተሻለ - ቀደም ብለው ደካማ ግምቶችን ያስተውላሉ።

• በአስተዳደር ረገድ የተሻለ ይሆናል - በእጅ ከማውለብለብ ይልቅ የሽግግር ስምምነቶችን ትመዘግባለህ።

• ከመሪዎች፣ ከተቆጣጣሪዎች እና ከተጎዱ ሰዎች ጋር በሚደረጉ ውይይቶች የተሻለ

እንዲሁም የፍትሃዊነት መለኪያዎችን እና የፖሊሲ ቋንቋን መማር በኋላ ላይ ጊዜ ይቆጥባል። እውነቱን ለመናገር፣ ከጉዞ በፊት ካርታ ከመግዛት ጋር ተመሳሳይ ነው - ፍጹም ያልሆነ፣ ግን ከስሜት በጣም የተሻለ። [2]

በዱር ውስጥ በእውነቱ የሚያዩዋቸው የ AI አድልዎ ዓይነቶች 🧭

በAI የህይወት ዑደት ውስጥ አድልዎ ይታያል። የተለመዱ ቅጦች ቡድኖች የሚከተሉትን ያካትታሉ፡

• የውሂብ ናሙና አድልዎ - አንዳንድ ቡድኖች በቂ ውክልና የላቸውም ወይም ጠፍተዋል።

• የመለያ አድልዎ - ታሪካዊ መለያዎች ጭፍን ጥላቻን ወይም ጫጫታ ያላቸውን የሰው ፍርዶች ይገልጻሉ።

• የመለኪያ አድልዎ - በእውነት ዋጋ የሚሰጡትን የማይይዙ ፕሮክሲዎች።

• የግምገማ አድልዎ - የፈተና ስብስቦች የተወሰኑ ህዝቦችን ወይም አውዶችን ይሳሳታሉ።

• የስርጭት አድልዎ - በተሳሳተ ሁኔታ ውስጥ ጥቅም ላይ የሚውል ጥሩ የላብራቶሪ ሞዴል።

• ስልታዊ እና ሰብዓዊ አድልዎ - ሰፊ የማህበራዊ ቅጦች እና የቡድን ምርጫዎች በቴክኖሎጂ ውስጥ ይፈስሳሉ።

ከመደበኛ አካላት የተወሰደ ጠቃሚ የአእምሮ ሞዴል አድልዎዎችን ወደ ሰብአዊ፣ ቴክኒካዊ እና ስልታዊ ምድቦች ያከፋፍላል እና የሞዴል ማሻሻያዎችን ብቻ ሳይሆን ማህበራዊ-ቴክኒካል

አድልዎ በቧንቧ ውስጥ ሾልኮ የሚገባበት ቦታ 🔍

1. የችግር ማዕቀፍ - ኢላማውን በጣም በጠባብ ይግለጹ እና ምርቱ ማገልገል ያለበትን ሰዎች ያገልላሉ።

2. የውሂብ ምንጭ - ታሪካዊ መረጃ ብዙውን ጊዜ ያለፉትን ኢ-ፍትሃዊነቶች ይገልፃል።

3. የባህሪ ምርጫዎች - ለስሱ ባህሪያት ተኪዎች ስሱ ባህሪያትን እንደገና መፍጠር ይችላሉ።

4. ስልጠና - ዓላማዎች ለአማካይ ትክክለኛነት ያመቻቻሉ፣ ለፍትሃዊነት አይደለም።

5. ሙከራ - የእርስዎ የመጠባበቂያ ስብስብ የተዛባ ከሆነ፣ የእርስዎ መለኪያዎችም እንዲሁ ናቸው።

6. ክትትል - በተጠቃሚዎች ወይም በአውድ ውስጥ ያሉ ለውጦች ችግሮችን እንደገና ሊያመጡ ይችላሉ።

ተቆጣጣሪዎች በዚህ የህይወት ዑደት ውስጥ የፍትሃዊነት አደጋዎችን መመዝገብ ላይ ያተኩራሉ፣ በሞዴል ተስማሚ ጊዜ ብቻ አይደለም። ይህ ሁሉን አቀፍ ልምምድ ነው። [2]

በክበብ ውስጥ ሳንገባ ፍትሃዊነትን እንዴት እንለካለን? 📏

ሁሉንም የሚቆጣጠር አንድ መለኪያ የለም። በአጠቃቀም ጉዳይዎ እና ሊያስወግዷቸው በሚፈልጓቸው ጉዳቶች ላይ በመመስረት ይምረጡ።.

• የስነ-ሕዝብ እኩልነት - የምርጫ መጠኖች በቡድኖች ውስጥ ተመሳሳይ መሆን አለባቸው። ለምደባ ጥያቄዎች ጥሩ ናቸው፣ ነገር ግን ከትክክለኛነት ግቦች ጋር ሊጋጩ ይችላሉ። [3]

• እኩል ዕድሎች - እንደ ሐሰት አዎንታዊ እና እውነተኛ አዎንታዊ ያሉ የስህተት መጠኖች ተመሳሳይ መሆን አለባቸው። የስህተቶች ዋጋ በቡድን ሲለያይ ጠቃሚ ነው። [3]

• መለኪያ - ለተመሳሳይ ውጤት፣ ውጤቶች በቡድኖች ውስጥ እኩል ሊሆኑ የሚችሉ መሆን አለባቸው። ውጤቶች የሰውን ውሳኔ ሲነዱ ጠቃሚ ናቸው። [3]

የመሳሪያ ኪቶች ይህንን ተግባራዊ ያደርጉታል ክፍተቶችን፣ ንድፎችን እና ዳሽቦርዶችን በማስላት መገመትዎን ማቆም ይችላሉ። [3]

በተግባር የሚሰሩ አድልዎዎችን ለመቀነስ ተግባራዊ መንገዶች 🛠️

አንድ የብር ነጥብ ሳይሆን የተደራረቡ ማቃለያዎችን ያስቡ

• የውሂብ ኦዲት እና ማበልጸጊያ - የሽፋን ክፍተቶችን መለየት፣ ህጋዊ በሆነ ቦታ ደህንነቱ የተጠበቀ ውሂብ መሰብሰብ፣ የሰነድ ናሙና።

• እንደገና ክብደት እና እንደገና ናሙና መስጠት - የስልጠና ስርጭቱን ለማስተካከል ስስቱን ይቀንሱ።

• በሂደት ላይ ያሉ ገደቦች - ሞዴሉ በቀጥታ የልውውጥ ልዩነቶችን እንዲማር የፍትሃዊነት ግቦችን ወደ ዓላማው ያክሉ።

• ተቃዋሚ ዴቢያዊነት - ስሜታዊ ባህሪያት ከውስጣዊ ውክልናዎች ሊተነበዩ እንዳይችሉ ሞዴሉን ያሠለጥኑ።

• ድህረ-ሂደት - ተገቢ እና ህጋዊ ሲሆን በቡድን የውሳኔ ገደቦችን መለካት።

• የሰው-በ-ዑደት ፍተሻዎች - ሊብራሩ የሚችሉ ማጠቃለያዎችን እና የከፍታ መንገዶችን ያሏቸው ሞዴሎችን ያጣምሩ።

AIF360 እና Fairlearn ያሉ ክፍት ምንጭ ቤተ-መጻሕፍት ሁለቱንም መለኪያዎች እና የማቅጠኛ ስልተ ቀመሮችን ይሰጣሉ። አስማታዊ አይደሉም፣ ነገር ግን ስልታዊ የመነሻ ነጥብ ይሰጡዎታል። [5][3]

አድልዎ አስፈላጊ መሆኑን የሚያሳይ እውነተኛ ማስረጃ 📸💳🏥

• የፊት ትንተና - በስፋት የተጠቀሱ ጥናቶች በንግድ ስርዓቶች ውስጥ በጾታ እና በቆዳ ዓይነት ቡድኖች መካከል ከፍተኛ ትክክለኛነት ልዩነቶች መኖራቸውን ዘግበዋል፣ ይህም ወደ ተሻለ የግምገማ ልምዶች እንዲገፋፋ አድርጓል። [4]

• ከፍተኛ ክስ የሚመሰረትባቸው ውሳኔዎች (ክሬዲት፣ ቅጥር፣ መኖሪያ ቤት) - ያለ ዓላማ እንኳን፣ አድልዎ የሚፈጥሩ ውጤቶች ከፍትሃዊነት እና ከአድልዎ መከላከያ ግዴታዎች ጋር ሊጋጩ ይችላሉ። ትርጉም፡ ለኮድ ብቻ ሳይሆን ለውጤቶች ተጠያቂ ነዎት። [2]

ከልምምድ የተገኘ አጭር ታሪክ፡- ስም-አልባ በሆነ የቅጥር-ስክሪን ኦዲት ውስጥ፣ አንድ ቡድን በቴክኒካል ሚናዎች ውስጥ ለሴቶች የማስታወሻ ክፍተቶችን አግኝቷል። ቀላል ደረጃዎች - የተሻሉ የተደረደሩ ክፍተቶች፣ የባህሪ ግምገማ እና በእያንዳንዱ ቡድን ገደብ - አብዛኛውን ክፍተት በትንሽ ትክክለኛነት ልውውጥ ዘግቷል። ቁልፉ አንድ ብልሃት አልነበረም፤ ተደጋጋሚ የመለኪያ - ቅነሳ - የክትትል ዑደት ነበር።.

ፖሊሲ፣ ህግ እና አስተዳደር፡- “ጥሩ” ምን ይመስላል 🧾

ጠበቃ መሆን አያስፈልግም፣ ነገር ግን ለፍትሃዊነት እና ለማብራራት ዲዛይን ማድረግ ያስፈልግዎታል፡

• የፍትሃዊነት መርሆዎች - በሰው ልጅ ላይ ያተኮሩ እሴቶች፣ ግልጽነት እና በህይወት ዑደት ውስጥ ያለ አድልዎ። [1]

• የውሂብ ጥበቃ እና እኩልነት - የግል መረጃ በሚሳተፍበት ጊዜ፣ በፍትሃዊነት፣ በዓላማ ገደብ እና በግለሰብ መብቶች ዙሪያ ያሉ ግዴታዎችን ይጠብቁ፤ የዘርፉ ደንቦችም ተፈጻሚ ሊሆኑ ይችላሉ። ግዴታዎችዎን ቀደም ብለው ይቅረጹ። [2]

• የአደጋ አስተዳደር - ሰፊ የ AI ስጋት ፕሮግራሞች አካል አድርገው አድልዎ ለመለየት፣ ለመለካት እና ለመከታተል የተዋቀሩ ማዕቀፎችን ይጠቀሙ። ይፃፉት። ይገምግሙት። ይድገሙት። [1]

ትንሽ ወደ ጎን፡- የወረቀት ስራ ቢሮክራሲ ብቻ አይደለም፤ ማንም ሰው ቢጠይቅህ ስራውን በትክክል እንደሰራህ የምታረጋግጥበት

የንፅፅር ሰንጠረዥ፡ የ AI አድልዎዎችን ለመቆጣጠር መሳሪያዎች እና ማዕቀፎች 🧰📊

እያንዳንዳቸው በአውድዎ ውስጥ የ AI አድልዎ ምን እንደሆነ

አጭር፣ ትንሽ አስተያየት የሚሰጥ የስራ ሂደት 🧪

1. ለማስወገድ የሚፈልጉትን ጉዳት ይግለጹ - የመከፋፈል ጉዳት፣ የስህተት መጠን ልዩነቶች፣ የክብር ጉዳት፣ ወዘተ።

2. ከዚያ ጉዳት ጋር የሚጣጣም መለኪያ ይምረጡ - ለምሳሌ፣ የስህተት እኩልነት አስፈላጊ ከሆነ እኩል ዕድሎች። [3]

3. የዛሬውን መረጃ እና ሞዴል በመጠቀም መሰረታዊ ነገሮችን ያሂዱ

4. በመጀመሪያ ዝቅተኛ ግጭት ያላቸውን ጥገናዎች ይሞክሩ - የተሻለ የውሂብ ክፍፍል፣ ገደብ ማድረግ ወይም እንደገና ማመዛዘን።

5. አስፈላጊ ከሆነ ወደ በሂደት ላይ ያሉ ገደቦች ይሂዱ

6. እውነተኛ ተጠቃሚዎችን የሚወክሉ የመጠባበቂያ ስብስቦችን እንደገና ይገምግሙ

7. በምርት ላይ ያለው ተቆጣጣሪ - የስርጭት ፈረቃዎች ይከሰታሉ፤ ዳሽቦርዶችም እንዲሁ መሆን አለባቸው።

8. የሰነድ ውዝግቦች - ፍትሃዊነት አውድ ያለው ነው፣ ስለዚህ ለምን እኩልነት Xን እንደመረጡ ያብራሩ። [1][2]

ተቆጣጣሪዎችና የደረጃዎች አካላት የሕይወት ዑደትን በማሰብ ላይ ጫና ማሳደርን ይቀጥላሉ፤ ምክንያቱን ግን አያጡም። [1]

ለባለድርሻ አካላት የመገናኛ ምክሮች 🗣️

• በሂሳብ ብቻ የተዘጋጁ ማብራሪያዎችን ያስወግዱ - ቀላል ገበታዎችን እና ተጨባጭ ምሳሌዎችን በመጀመሪያ ያሳዩ።

• ግልጽ የሆነ ቋንቋ ተጠቀም - ሞዴሉ ኢ-ፍትሃዊ በሆነ መንገድ ምን ሊያደርግ እንደሚችል እና ማን ሊጎዳ እንደሚችል ተናገር።

• የወለል ልውውጦች - የፍትሃዊነት ገደቦች ትክክለኛነትን ሊቀይሩ ይችላሉ፤ ጉዳትን የሚቀንስ ከሆነ ይህ ስህተት አይደለም።

• ድንገተኛ ሁኔታዎችን ያቅዱ - ችግሮች ከታዩ እንዴት ማቆም ወይም ወደኋላ መመለስ እንደሚቻል።

• ምርመራን ይጋብዙ - ውጫዊ ግምገማ ወይም ቀይ-ቲም ማድረግ ዓይነ ስውር ቦታዎችን ያሳያል። ማንም አይወደውም፣ ግን ይረዳል። [1][2]

ተደጋጋሚ ጥያቄዎች፡- በእርግጥ የ AI አድልዎ ምንድን ነው? ❓

አድልዎ መጥፎ መረጃ ብቻ አይደለምን?
ብቻ አይደለም። የውሂብ ጉዳይ አስፈላጊ ነው፣ የሞዴሊንግ ምርጫዎች፣ የግምገማ ዲዛይን፣ የማሰማሪያ አውድ እና የቡድን ማበረታቻዎች ሁሉም በውጤቶች ላይ ተጽዕኖ ያሳድራሉ። [1]

አድልዎ ሙሉ በሙሉ ማስወገድ እችላለሁን?
ብዙውን ጊዜ አይደለም። አድልዎ ኢ-ፍትሃዊ ውጤቶችን እንዳያመጣ ለማስተዳደር

የትኛውን የፍትሃዊነት መለኪያ መጠቀም አለብኝ?
በጉዳት አይነት እና በጎራ ደንቦች ላይ በመመስረት ይምረጡ። ለምሳሌ፣ የውሸት አወንታዊዎች ቡድንን የበለጠ የሚጎዱ ከሆነ፣ በስህተት-መጠን እኩልነት (እኩል ዕድሎች) ላይ ያተኩሩ። [3]

የሕግ ግምገማ ያስፈልገኛል?
ስርዓትዎ የሰዎችን እድሎች ወይም መብቶች የሚነካ ከሆነ፣ አዎ። የሸማቾች እና እኩልነት ተኮር ህጎች በአልጎሪዝም ውሳኔዎች ላይ ሊተገበሩ ይችላሉ፣ እና ስራዎን ማሳየት ያስፈልግዎታል። [2]

የመጨረሻ አስተያየቶች፡- በጣም ረጅም፣ ያልተነበበ 🧾✨

የ AI አድልዎ ምንድን ነው ብሎ ቢጠይቅዎት ፣ የሚጣፍጥ መልስ ይኸውልዎት፡ በእውነተኛው ዓለም ውስጥ ፍትሃዊ ያልሆኑ ውጤቶችን ሊያስከትሉ የሚችሉ የ AI ውጤቶች ስልታዊ መዛባት ነው። ከአውድ ጋር በሚጣጣሙ መለኪያዎች ይመርምሩታል፣ በተደራረቡ ቴክኒኮች ይቀንሳሉ እና በመላው የህይወት ዑደት ያስተዳድራሉ። ለመጨፍለቅ አንድም ስህተት አይደለም - የምርት፣ የፖሊሲ እና የሰዎች ጥያቄ ሲሆን የመለኪያ፣ የሰነድ እና የትህትና የማያቋርጥ የከበሮ ምት ይፈልጋል። ምንም አይነት የብር ምቶች የሉም ብዬ እገምታለሁ... ግን ጥሩ የማረጋገጫ ዝርዝሮች፣ ሐቀኛ ንግዶች እና የተሻሉ ልማዶች አሉ። እና አዎ፣ ጥቂት ኢሞጂዎች በጭራሽ አይጎዱም። 🙂

ማጣቀሻዎች

1. የNIST ልዩ ህትመት 1270 - በአርቴፊሻል ኢንተለጀንስ ውስጥ አድልዎዎችን ለመለየት እና ለማስተዳደር የሚያስችል መስፈርት ። ሊንክ

2. የዩኬ የኢንፎርሜሽን ኮሚሽነር ቢሮ - ስለ ፍትሃዊነት፣ አድልዎ እና መድልዎስ? ሊንክ

3. የፌርለርን ሰነድ - የተለመዱ የፍትሃዊነት መለኪያዎች (የስነ-ሕዝብ እኩልነት፣ የእኩልነት ዕድሎች፣ መለኪያ)። አገናኝ

4. ቡላምዊኒ፣ ጄ.፣ እና ገብሩ፣ ቲ. (2018)። የፆታ ጥላዎች፡- በንግድ ፆታ ምደባ ውስጥ ያሉ የመሃል ትክክለኛነት ልዩነቶች ። FAT* / PMLR። ሊንክ

5. የአይቢኤም ምርምር - የአይአይ ፍትሃዊነት 360 (AIF360) ማስተዋወቅ ። ሊንክ

የቅርብ ጊዜውን የ AI ኦፊሴላዊ የ AI ረዳት መደብር ያግኙ

ስለ እኛ