<br> סיכום
איך מסירים הטיה ממודלים של למידת מכונה ומוודאים שהתחזיות הוגנות? מהם שלושת השלבים בהם ניתן ליישם את הפתרון להפחתת הטיה? דפוס קוד זה עונה על שאלות אלה כדי לעזור לך לקבל החלטה מושכלת על ידי צריכת תוצאות של מודלים חזויים.
אם יש לך שאלות לגבי דפוס קוד זה, שאל אותם או חפש תשובות בקובץ המצורף פורום.
תיאור
הוגנות באלגוריתמים של למידת מכונה היא קריטית לבניית מערכות AI בטוחות ואחראיות. אמנם הדיוק הוא מדד אחד להערכת הדיוק של מודל למידת מכונה, אך הוגנות נותנת לך דרך להבין את ההשלכות המעשיות של פריסת המודל במצב אמיתי.
בתבנית קוד זה אתה משתמש בערכת נתוני סוכרת כדי לחזות אם אדם נוטה לחלות בסוכרת. אתה תשתמש ב- IBM Watson® Studio, ב- IBM Cloud Object Storage ובערכת הכלים AI Fairness 360 כדי ליצור את הנתונים, להחיל את אלגוריתם ההפחתה בהטיות, ואז לנתח את התוצאות.
לאחר השלמת דפוס קוד זה, אתה מבין כיצד:
- צור פרויקט באמצעות ווטסון סטודיו
- השתמש בערכת הכלים AI Fairness 360
זרימה
- היכנס ל- IBM Watson Studio המופעל על ידי Spark, יזם את IBM Cloud Object Storage וצור פרויקט.
- העלה את קובץ הנתונים .csv לאחסון ענן של IBM.
- טען את קובץ הנתונים במחברת Watson Studio.
- התקן את ערכת הכלים AI Fairness 360 במחברת Watson Studio.
- לנתח את התוצאות לאחר החלת אלגוריתם ההפחתה בהטיות בשלבי טרום עיבוד, עיבוד ואחרי עיבוד.
הוראות
מצא את הצעדים המפורטים לדפוס זה בסעיף readme קוֹבֶץ. השלבים יראו כיצד לבצע:
- צור חשבון עם IBM Cloud.
- צרו פרויקט סטודיו ווטסון חדש.
- הוסף נתונים.
- צור את המחברת.
- הכנס את הנתונים כ- DataFrame.
- הרץ את המחברת.
- נתח את התוצאות.
דפוס קוד זה הוא חלק מ- ערכת הכלים AI 360: הסבירו מודלים של AI השתמש בסדרות מקרה, המסייעות לבעלי עניין ומפתחים להבין את מחזור החיים של מודל ה- AI לחלוטין ולעזור להם לקבל החלטות מושכלות.
מקור: https://developer.ibm.com/patterns/identify-and-remove-bias-from-ai-models/