Sommario
Come rimuovi i pregiudizi dai modelli di machine learning e assicurati che le previsioni siano corrette? Quali sono le tre fasi in cui è possibile applicare la soluzione di mitigazione del bias? Questo modello di codice risponde a queste domande per aiutarti a prendere decisioni informate utilizzando i risultati dei modelli predittivi.
Se hai domande su questo modello di codice, chiedile o cerca le risposte nella sezione associata Forum.
Descrizione
L'equità nei dati e negli algoritmi di apprendimento automatico è fondamentale per costruire sistemi di IA sicuri e responsabili. Sebbene l'accuratezza sia una metrica per valutare l'accuratezza di un modello di apprendimento automatico, l'equità ti offre un modo per comprendere le implicazioni pratiche della distribuzione del modello in una situazione del mondo reale.
In questo modello di codice, si utilizza un set di dati sul diabete per prevedere se una persona è incline ad avere il diabete. Utilizzerai IBM Watson® Studio, IBM Cloud Object Storage e AI Fairness 360 Toolkit per creare i dati, applicare l'algoritmo di mitigazione del bias, quindi analizzare i risultati.
Dopo aver completato questo modello di codice, capisci come:
- Crea un progetto utilizzando Watson Studio
- Usa il toolkit AI Fairness 360
Flow
- Accedi a IBM Watson Studio con tecnologia Spark, avvia IBM Cloud Object Storage e crea un progetto.
- Carica il file di dati .csv su IBM Cloud Object Storage.
- Carica il file di dati nel notebook Watson Studio.
- Installa AI Fairness 360 Toolkit nel notebook Watson Studio.
- Analizza i risultati dopo aver applicato l'algoritmo di mitigazione del bias durante le fasi di pre-elaborazione, in-elaborazione e post-elaborazione.
Istruzioni
Trova i passaggi dettagliati per questo modello nel readme file. I passaggi ti mostreranno come:
- Crea un account con IBM Cloud.
- Crea un nuovo progetto Watson Studio.
- Aggiungi dati.
- Crea il taccuino.
- Inserisci i dati come DataFrame.
- Esegui il notebook.
- Analizza i risultati.
Questo modello di codice fa parte di Toolkit AI 360: spiegazione dei modelli AI serie di casi d'uso, che aiutano le parti interessate e gli sviluppatori a comprendere completamente il ciclo di vita del modello di intelligenza artificiale e ad aiutarli a prendere decisioni informate.
Fonte: https://developer.ibm.com/patterns/identify-and-remove-bias-from-ai-models/
- Il mio account
- AI
- algoritmo
- Algoritmi
- stile di vita
- Costruzione
- Cloud
- codice
- contenuto
- dati
- set di dati
- sviluppatori
- Diabete
- fiera
- flusso
- Come
- Tutorial
- HTTPS
- IBM
- IBM Cloud
- IBM Watson
- identificare
- apprendimento
- machine learning
- modello
- Storage degli oggetti
- Cartamodello
- Previsioni
- progetto
- Risultati
- sicura
- Serie
- set
- conservazione
- SISTEMI DI TRATTAMENTO
- Watson
- Studio Watson