AI ਹਰ ਜਗ੍ਹਾ ਹੈ - ਚੁੱਪ-ਚਾਪ ਛਾਂਟੀ ਕਰਨਾ, ਸਕੋਰ ਕਰਨਾ, ਅਤੇ ਸੁਝਾਅ ਦੇਣਾ। ਇਹ ਸੌਖਾ ਹੈ... ਜਦੋਂ ਤੱਕ ਇਹ ਕੁਝ ਸਮੂਹਾਂ ਨੂੰ ਅੱਗੇ ਨਹੀਂ ਧੱਕਦਾ ਅਤੇ ਦੂਜਿਆਂ ਨੂੰ ਪਿੱਛੇ ਛੱਡ ਦਿੰਦਾ ਹੈ। ਜੇਕਰ ਤੁਸੀਂ ਸੋਚਿਆ ਹੈ ਕਿ AI ਪੱਖਪਾਤ ਕੀ ਹੈ , ਇਹ ਪਾਲਿਸ਼ ਕੀਤੇ ਮਾਡਲਾਂ ਵਿੱਚ ਵੀ ਕਿਉਂ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ, ਅਤੇ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਘਟਾਏ ਬਿਨਾਂ ਇਸਨੂੰ ਕਿਵੇਂ ਘਟਾਉਣਾ ਹੈ, ਤਾਂ ਇਹ ਗਾਈਡ ਤੁਹਾਡੇ ਲਈ ਹੈ।
ਇਸ ਤੋਂ ਬਾਅਦ ਤੁਸੀਂ ਜੋ ਲੇਖ ਪੜ੍ਹਨਾ ਪਸੰਦ ਕਰ ਸਕਦੇ ਹੋ:
🔗 GPT ਦਾ ਕੀ ਅਰਥ ਹੈ?
GPT ਨਾਮ ਅਤੇ ਮੂਲ ਦਾ ਇੱਕ ਸਧਾਰਨ-ਅੰਗਰੇਜ਼ੀ ਵੇਰਵਾ।
🔗 ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲਾ AI ਕੀ ਹੈ?
ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਮਾਡਲ ਇਤਿਹਾਸਕ ਅਤੇ ਲਾਈਵ ਡੇਟਾ ਤੋਂ ਨਤੀਜਿਆਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਿਵੇਂ ਕਰਦੇ ਹਨ।
🔗 ਓਪਨ-ਸੋਰਸ ਏਆਈ ਕੀ ਹੈ?
ਪਰਿਭਾਸ਼ਾ, ਮੁੱਖ ਲਾਭ, ਚੁਣੌਤੀਆਂ, ਲਾਇਸੈਂਸ, ਅਤੇ ਪ੍ਰੋਜੈਕਟ ਉਦਾਹਰਣਾਂ।
🔗 ਆਪਣੇ ਕਾਰੋਬਾਰ ਵਿੱਚ AI ਨੂੰ ਕਿਵੇਂ ਸ਼ਾਮਲ ਕਰਨਾ ਹੈ
ਕਦਮ-ਦਰ-ਕਦਮ ਰੋਡਮੈਪ, ਔਜ਼ਾਰ, ਵਰਕਫਲੋ, ਅਤੇ ਬਦਲਾਅ ਪ੍ਰਬੰਧਨ ਜ਼ਰੂਰੀ ਗੱਲਾਂ।
ਤੇਜ਼ ਪਰਿਭਾਸ਼ਾ: ਏਆਈ ਪੱਖਪਾਤ ਕੀ ਹੈ?
AI ਪੱਖਪਾਤ ਉਦੋਂ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਇੱਕ AI ਸਿਸਟਮ ਦੇ ਆਉਟਪੁੱਟ ਕੁਝ ਖਾਸ ਲੋਕਾਂ ਜਾਂ ਸਮੂਹਾਂ ਦੇ ਪੱਖ ਵਿੱਚ ਜਾਂ ਨੁਕਸਾਨ ਵਿੱਚ ਹੁੰਦੇ ਹਨ। ਇਹ ਅਕਸਰ ਅਸੰਤੁਲਿਤ ਡੇਟਾ, ਤੰਗ ਮਾਪ ਵਿਕਲਪਾਂ, ਜਾਂ ਵਿਆਪਕ ਸੰਦਰਭ ਤੋਂ ਪੈਦਾ ਹੁੰਦਾ ਹੈ ਜਿਸ ਵਿੱਚ ਸਿਸਟਮ ਬਣਾਇਆ ਅਤੇ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਪੱਖਪਾਤ ਹਮੇਸ਼ਾ ਖਤਰਨਾਕ ਨਹੀਂ ਹੁੰਦਾ, ਪਰ ਜੇਕਰ ਇਸਨੂੰ ਅਣਚਾਹੇ ਛੱਡ ਦਿੱਤਾ ਜਾਵੇ ਤਾਂ ਇਹ ਨੁਕਸਾਨਾਂ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਵਧਾ ਸਕਦਾ ਹੈ। [1]
ਇੱਕ ਮਦਦਗਾਰ ਅੰਤਰ: ਪੱਖਪਾਤ ਫੈਸਲਾ ਲੈਣ ਵਿੱਚ ਵਿਘਨ ਹੈ, ਜਦੋਂ ਕਿ ਵਿਤਕਰਾ ਉਹ ਨੁਕਸਾਨਦੇਹ ਪ੍ਰਭਾਵ ਹੈ ਜੋ ਵਿਘਨ ਦੁਨੀਆ ਵਿੱਚ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ। ਤੁਸੀਂ ਹਮੇਸ਼ਾ ਸਾਰੇ ਪੱਖਪਾਤ ਨੂੰ ਦੂਰ ਨਹੀਂ ਕਰ ਸਕਦੇ, ਪਰ ਤੁਹਾਨੂੰ ਇਸਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ ਤਾਂ ਜੋ ਇਹ ਅਨੁਚਿਤ ਨਤੀਜੇ ਨਾ ਪੈਦਾ ਕਰੇ। [2]
ਪੱਖਪਾਤ ਨੂੰ ਸਮਝਣਾ ਅਸਲ ਵਿੱਚ ਤੁਹਾਨੂੰ ਬਿਹਤਰ ਕਿਉਂ ਬਣਾਉਂਦਾ ਹੈ 💡
ਅਜੀਬ ਗੱਲ ਹੈ, ਹੈ ਨਾ? ਪਰ ਇਹ ਜਾਣਨਾ ਕਿ AI ਪੱਖਪਾਤ ਕੀ ਹੈ, ਤੁਹਾਨੂੰ ਇਹ ਕਰਨ ਲਈ ਮਜਬੂਰ ਕਰਦਾ ਹੈ:
-
ਡਿਜ਼ਾਈਨ ਵਿੱਚ ਬਿਹਤਰ - ਤੁਸੀਂ ਨਾਜ਼ੁਕ ਧਾਰਨਾਵਾਂ ਨੂੰ ਪਹਿਲਾਂ ਹੀ ਦੇਖ ਸਕੋਗੇ।
-
ਸ਼ਾਸਨ ਵਿੱਚ ਬਿਹਤਰ - ਤੁਸੀਂ ਹੱਥ ਹਿਲਾਉਣ ਦੀ ਬਜਾਏ ਵਪਾਰ ਨੂੰ ਦਸਤਾਵੇਜ਼ੀ ਰੂਪ ਵਿੱਚ ਪੇਸ਼ ਕਰੋਗੇ।
-
ਗੱਲਬਾਤ ਵਿੱਚ ਬਿਹਤਰ - ਨੇਤਾਵਾਂ, ਰੈਗੂਲੇਟਰਾਂ ਅਤੇ ਪ੍ਰਭਾਵਿਤ ਲੋਕਾਂ ਨਾਲ।
ਇਸ ਤੋਂ ਇਲਾਵਾ, ਨਿਰਪੱਖਤਾ ਮਾਪਦੰਡਾਂ ਅਤੇ ਨੀਤੀ ਦੀ ਭਾਸ਼ਾ ਸਿੱਖਣ ਨਾਲ ਬਾਅਦ ਵਿੱਚ ਸਮਾਂ ਬਚਦਾ ਹੈ। ਇਮਾਨਦਾਰੀ ਨਾਲ, ਇਹ ਸੜਕ ਯਾਤਰਾ ਤੋਂ ਪਹਿਲਾਂ ਇੱਕ ਨਕਸ਼ਾ ਖਰੀਦਣ ਵਰਗਾ ਹੈ - ਅਪੂਰਣ, ਪਰ ਵਾਈਬਸ ਨਾਲੋਂ ਕਿਤੇ ਬਿਹਤਰ। [2]
AI ਪੱਖਪਾਤ ਦੀਆਂ ਕਿਸਮਾਂ ਜੋ ਤੁਸੀਂ ਅਸਲ ਵਿੱਚ ਜੰਗਲ ਵਿੱਚ ਦੇਖੋਗੇ 🧭
AI ਜੀਵਨਚੱਕਰ ਦੌਰਾਨ ਪੱਖਪਾਤ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ। ਆਮ ਪੈਟਰਨ ਟੀਮਾਂ ਵਿੱਚ ਇਹ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ:
-
ਡੇਟਾ ਸੈਂਪਲਿੰਗ ਪੱਖਪਾਤ - ਕੁਝ ਸਮੂਹ ਘੱਟ ਪ੍ਰਤੀਨਿਧਤਾ ਵਾਲੇ ਹਨ ਜਾਂ ਗਾਇਬ ਹਨ।
-
ਲੇਬਲ ਪੱਖਪਾਤ - ਇਤਿਹਾਸਕ ਲੇਬਲ ਪੱਖਪਾਤ ਜਾਂ ਸ਼ੋਰ-ਸ਼ਰਾਬੇ ਵਾਲੇ ਮਨੁੱਖੀ ਨਿਰਣਿਆਂ ਨੂੰ ਏਨਕੋਡ ਕਰਦੇ ਹਨ।
-
ਮਾਪ ਪੱਖਪਾਤ - ਪ੍ਰੌਕਸੀ ਜੋ ਉਸ ਚੀਜ਼ ਨੂੰ ਹਾਸਲ ਨਹੀਂ ਕਰਦੇ ਜੋ ਤੁਸੀਂ ਅਸਲ ਵਿੱਚ ਮਹੱਤਵ ਰੱਖਦੇ ਹੋ।
-
ਮੁਲਾਂਕਣ ਪੱਖਪਾਤ - ਟੈਸਟ ਸੈੱਟ ਕੁਝ ਖਾਸ ਆਬਾਦੀਆਂ ਜਾਂ ਸੰਦਰਭਾਂ ਨੂੰ ਖੁੰਝਾਉਂਦੇ ਹਨ।
-
ਡਿਪਲਾਇਮੈਂਟ ਪੱਖਪਾਤ - ਗਲਤ ਸੈਟਿੰਗ ਵਿੱਚ ਵਰਤਿਆ ਗਿਆ ਇੱਕ ਚੰਗਾ ਲੈਬ ਮਾਡਲ।
-
ਪ੍ਰਣਾਲੀਗਤ ਅਤੇ ਮਨੁੱਖੀ ਪੱਖਪਾਤ - ਵਿਆਪਕ ਸਮਾਜਿਕ ਪੈਟਰਨ ਅਤੇ ਟੀਮ ਚੋਣਾਂ ਤਕਨਾਲੋਜੀ ਵਿੱਚ ਲੀਕ ਹੋ ਰਹੀਆਂ ਹਨ।
ਮਿਆਰੀ ਸੰਸਥਾਵਾਂ ਤੋਂ ਇੱਕ ਉਪਯੋਗੀ ਮਾਨਸਿਕ ਮਾਡਲ ਮਨੁੱਖੀ, ਤਕਨੀਕੀ ਅਤੇ ਪ੍ਰਣਾਲੀਗਤ ਸ਼੍ਰੇਣੀਆਂ ਵਿੱਚ ਪੱਖਪਾਤ ਨੂੰ ਸਮੂਹਬੱਧ ਕਰਦਾ ਹੈ ਅਤੇ ਸਮਾਜਿਕ-ਤਕਨੀਕੀ ਪ੍ਰਬੰਧਨ ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕਰਦਾ ਹੈ, ਨਾ ਕਿ ਸਿਰਫ਼ ਮਾਡਲ ਟਵੀਕਸ। [1]
ਜਿੱਥੇ ਪੱਖਪਾਤ ਪਾਈਪਲਾਈਨ ਵਿੱਚ ਛੁਪਿਆ ਹੁੰਦਾ ਹੈ 🔍
-
ਸਮੱਸਿਆ ਦਾ ਹੱਲ - ਟੀਚੇ ਨੂੰ ਬਹੁਤ ਘੱਟ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ ਅਤੇ ਤੁਸੀਂ ਉਨ੍ਹਾਂ ਲੋਕਾਂ ਨੂੰ ਬਾਹਰ ਕੱਢ ਦਿੰਦੇ ਹੋ ਜਿਨ੍ਹਾਂ ਦੀ ਸੇਵਾ ਉਤਪਾਦ ਨੂੰ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ।
-
ਡੇਟਾ ਸੋਰਸਿੰਗ - ਇਤਿਹਾਸਕ ਡੇਟਾ ਅਕਸਰ ਪਿਛਲੀਆਂ ਅਸਮਾਨਤਾਵਾਂ ਨੂੰ ਏਨਕੋਡ ਕਰਦਾ ਹੈ।
-
ਵਿਸ਼ੇਸ਼ਤਾ ਵਿਕਲਪ - ਸੰਵੇਦਨਸ਼ੀਲ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਲਈ ਪ੍ਰੌਕਸੀ ਸੰਵੇਦਨਸ਼ੀਲ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਦੁਬਾਰਾ ਬਣਾ ਸਕਦੇ ਹਨ।
-
ਸਿਖਲਾਈ - ਉਦੇਸ਼ ਔਸਤ ਸ਼ੁੱਧਤਾ ਲਈ ਅਨੁਕੂਲ ਬਣਾਉਂਦੇ ਹਨ, ਇਕੁਇਟੀ ਲਈ ਨਹੀਂ।
-
ਟੈਸਟਿੰਗ - ਜੇਕਰ ਤੁਹਾਡਾ ਹੋਲਡਆਉਟ ਸੈੱਟ ਤਿਰਛਾ ਹੈ, ਤਾਂ ਤੁਹਾਡੇ ਮੈਟ੍ਰਿਕਸ ਵੀ ਤਿਰਛੇ ਹਨ।
-
ਨਿਗਰਾਨੀ - ਉਪਭੋਗਤਾਵਾਂ ਜਾਂ ਸੰਦਰਭ ਵਿੱਚ ਤਬਦੀਲੀਆਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਦੁਬਾਰਾ ਪੇਸ਼ ਕਰ ਸਕਦੀਆਂ ਹਨ।
ਰੈਗੂਲੇਟਰ ਇਸ ਜੀਵਨ ਚੱਕਰ ਵਿੱਚ ਨਿਰਪੱਖਤਾ ਦੇ ਜੋਖਮਾਂ ਦੇ ਦਸਤਾਵੇਜ਼ੀਕਰਨ 'ਤੇ ਜ਼ੋਰ ਦਿੰਦੇ ਹਨ, ਨਾ ਕਿ ਸਿਰਫ਼ ਮਾਡਲ-ਫਿੱਟ ਸਮੇਂ 'ਤੇ। ਇਹ ਇੱਕ ਸਰਬ-ਪੱਖੀ ਅਭਿਆਸ ਹੈ। [2]
ਅਸੀਂ ਬਿਨਾਂ ਚੱਕਰ ਲਗਾਏ ਨਿਰਪੱਖਤਾ ਨੂੰ ਕਿਵੇਂ ਮਾਪ ਸਕਦੇ ਹਾਂ? 📏
ਇਹਨਾਂ ਸਾਰਿਆਂ ਨੂੰ ਨਿਯਮਿਤ ਕਰਨ ਲਈ ਇੱਕ ਮਾਪਦੰਡ ਨਹੀਂ ਹੈ। ਆਪਣੇ ਵਰਤੋਂ ਦੇ ਮਾਮਲੇ ਅਤੇ ਉਹਨਾਂ ਨੁਕਸਾਨਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਚੁਣੋ ਜਿਨ੍ਹਾਂ ਤੋਂ ਤੁਸੀਂ ਬਚਣਾ ਚਾਹੁੰਦੇ ਹੋ।
-
ਜਨਸੰਖਿਆ ਸਮਾਨਤਾ - ਚੋਣ ਦਰਾਂ ਸਮੂਹਾਂ ਵਿੱਚ ਇੱਕੋ ਜਿਹੀਆਂ ਹੋਣੀਆਂ ਚਾਹੀਦੀਆਂ ਹਨ। ਵੰਡ ਪ੍ਰਸ਼ਨਾਂ ਲਈ ਵਧੀਆ, ਪਰ ਸ਼ੁੱਧਤਾ ਟੀਚਿਆਂ ਨਾਲ ਟਕਰਾਅ ਸਕਦਾ ਹੈ। [3]
-
ਬਰਾਬਰੀ ਵਾਲੀਆਂ ਸੰਭਾਵਨਾਵਾਂ - ਗਲਤੀ ਦਰਾਂ ਜਿਵੇਂ ਕਿ ਗਲਤ ਸਕਾਰਾਤਮਕ ਅਤੇ ਸੱਚੇ ਸਕਾਰਾਤਮਕ ਇੱਕੋ ਜਿਹੀਆਂ ਹੋਣੀਆਂ ਚਾਹੀਦੀਆਂ ਹਨ। ਉਪਯੋਗੀ ਜਦੋਂ ਗਲਤੀਆਂ ਦੀ ਲਾਗਤ ਸਮੂਹ ਦੁਆਰਾ ਵੱਖਰੀ ਹੁੰਦੀ ਹੈ। [3]
-
ਕੈਲੀਬ੍ਰੇਸ਼ਨ - ਇੱਕੋ ਸਕੋਰ ਲਈ, ਸਮੂਹਾਂ ਵਿੱਚ ਨਤੀਜੇ ਬਰਾਬਰ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ। ਜਦੋਂ ਸਕੋਰ ਮਨੁੱਖੀ ਫੈਸਲਿਆਂ ਨੂੰ ਚਲਾਉਂਦੇ ਹਨ ਤਾਂ ਮਦਦਗਾਰ ਹੁੰਦਾ ਹੈ। [3]
ਟੂਲਕਿੱਟਾਂ ਇਸਨੂੰ ਅੰਤਰਾਲਾਂ, ਪਲਾਟਾਂ ਅਤੇ ਡੈਸ਼ਬੋਰਡਾਂ ਦੀ ਗਣਨਾ ਕਰਕੇ ਵਿਹਾਰਕ ਬਣਾਉਂਦੀਆਂ ਹਨ ਤਾਂ ਜੋ ਤੁਸੀਂ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣਾ ਬੰਦ ਕਰ ਸਕੋ। [3]
ਪੱਖਪਾਤ ਨੂੰ ਘਟਾਉਣ ਦੇ ਵਿਹਾਰਕ ਤਰੀਕੇ ਜੋ ਅਸਲ ਵਿੱਚ ਕੰਮ ਕਰਦੇ ਹਨ 🛠️
ਇੱਕ ਵਾਰ ਵਿੱਚ ਹੀ ਕੁਝ ਰਾਹਤ ਦੇਣ ਦੀ ਬਜਾਏ ਪੱਧਰੀ ਰਾਹਤਾਂ ਬਾਰੇ ਸੋਚੋ
-
ਡੇਟਾ ਆਡਿਟ ਅਤੇ ਸੰਸ਼ੋਧਨ - ਕਵਰੇਜ ਦੇ ਅੰਤਰਾਂ ਦੀ ਪਛਾਣ ਕਰੋ, ਜਿੱਥੇ ਕਾਨੂੰਨੀ ਹੋਵੇ ਸੁਰੱਖਿਅਤ ਡੇਟਾ ਇਕੱਠਾ ਕਰੋ, ਦਸਤਾਵੇਜ਼ ਨਮੂਨਾ ਲਓ।
-
ਰੀਵੇਟਿੰਗ ਅਤੇ ਰੀਸੈਂਪਲਿੰਗ - ਸਕਿਊ ਘਟਾਉਣ ਲਈ ਟ੍ਰੇਨਿੰਗ ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ ਨੂੰ ਐਡਜਸਟ ਕਰੋ।
-
ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਰੁਕਾਵਟਾਂ - ਉਦੇਸ਼ ਵਿੱਚ ਨਿਰਪੱਖਤਾ ਟੀਚਿਆਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰੋ ਤਾਂ ਜੋ ਮਾਡਲ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਵਪਾਰ-ਬੰਦ ਸਿੱਖ ਸਕੇ।
-
ਵਿਰੋਧੀ ਡੀਬਾਈਸਿੰਗ - ਮਾਡਲ ਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਸਿਖਲਾਈ ਦਿਓ ਕਿ ਸੰਵੇਦਨਸ਼ੀਲ ਗੁਣ ਅੰਦਰੂਨੀ ਪ੍ਰਤੀਨਿਧਤਾਵਾਂ ਤੋਂ ਅਨੁਮਾਨਤ ਨਾ ਹੋਣ।
-
ਪ੍ਰਕਿਰਿਆ ਤੋਂ ਬਾਅਦ - ਜਦੋਂ ਢੁਕਵਾਂ ਅਤੇ ਕਾਨੂੰਨੀ ਹੋਵੇ ਤਾਂ ਪ੍ਰਤੀ ਸਮੂਹ ਫੈਸਲੇ ਦੀ ਸੀਮਾ ਨੂੰ ਕੈਲੀਬਰੇਟ ਕਰੋ।
-
ਹਿਊਮਨ-ਇਨ-ਦ-ਲੂਪ ਜਾਂਚ - ਮਾਡਲਾਂ ਨੂੰ ਵਿਆਖਿਆਯੋਗ ਸਾਰਾਂਸ਼ਾਂ ਅਤੇ ਐਸਕੇਲੇਸ਼ਨ ਮਾਰਗਾਂ ਨਾਲ ਜੋੜੋ।
AIF360 ਅਤੇ ਫੇਅਰਲਰਨ ਵਰਗੀਆਂ ਓਪਨ-ਸੋਰਸ ਲਾਇਬ੍ਰੇਰੀਆਂ ਮੈਟ੍ਰਿਕਸ ਅਤੇ ਮਿਟੀਗੇਸ਼ਨ ਐਲਗੋਰਿਦਮ ਦੋਵੇਂ ਪ੍ਰਦਾਨ ਕਰਦੀਆਂ ਹਨ। ਇਹ ਜਾਦੂ ਨਹੀਂ ਹਨ, ਪਰ ਇਹ ਤੁਹਾਨੂੰ ਇੱਕ ਯੋਜਨਾਬੱਧ ਸ਼ੁਰੂਆਤੀ ਬਿੰਦੂ ਦੇਣਗੇ। [5][3]
ਅਸਲ ਸਬੂਤ ਕਿ ਪੱਖਪਾਤ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ 📸💳🏥
-
ਚਿਹਰੇ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ - ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਹਵਾਲਾ ਦਿੱਤੇ ਗਏ ਖੋਜ ਨੇ ਵਪਾਰਕ ਪ੍ਰਣਾਲੀਆਂ ਵਿੱਚ ਲਿੰਗ ਅਤੇ ਚਮੜੀ-ਕਿਸਮ ਦੇ ਸਮੂਹਾਂ ਵਿੱਚ ਵੱਡੀ ਸ਼ੁੱਧਤਾ ਅਸਮਾਨਤਾਵਾਂ ਨੂੰ ਦਸਤਾਵੇਜ਼ੀ ਰੂਪ ਦਿੱਤਾ, ਜਿਸ ਨਾਲ ਖੇਤਰ ਬਿਹਤਰ ਮੁਲਾਂਕਣ ਅਭਿਆਸਾਂ ਵੱਲ ਵਧਿਆ। [4]
-
ਉੱਚ-ਦਾਅ ਵਾਲੇ ਫੈਸਲੇ (ਕ੍ਰੈਡਿਟ, ਭਰਤੀ, ਰਿਹਾਇਸ਼) - ਬਿਨਾਂ ਇਰਾਦੇ ਦੇ ਵੀ, ਪੱਖਪਾਤੀ ਨਤੀਜੇ ਨਿਰਪੱਖਤਾ ਅਤੇ ਵਿਤਕਰੇ-ਵਿਰੋਧੀ ਫਰਜ਼ਾਂ ਨਾਲ ਟਕਰਾ ਸਕਦੇ ਹਨ। ਅਨੁਵਾਦ: ਤੁਸੀਂ ਪ੍ਰਭਾਵਾਂ ਲਈ ਜਵਾਬਦੇਹ ਹੋ, ਸਿਰਫ਼ ਕੋਡ ਲਈ ਨਹੀਂ। [2]
ਅਭਿਆਸ ਤੋਂ ਇੱਕ ਛੋਟੀ ਜਿਹੀ ਕਹਾਣੀ: ਇੱਕ ਗੁਮਨਾਮ ਭਰਤੀ-ਸਕ੍ਰੀਨ ਆਡਿਟ ਵਿੱਚ, ਇੱਕ ਟੀਮ ਨੇ ਤਕਨੀਕੀ ਭੂਮਿਕਾਵਾਂ ਵਿੱਚ ਔਰਤਾਂ ਲਈ ਰੀਕਾਲ ਗੈਪ ਲੱਭੇ। ਸਧਾਰਨ ਕਦਮ - ਬਿਹਤਰ ਪੱਧਰੀ ਵੰਡ, ਵਿਸ਼ੇਸ਼ਤਾ ਸਮੀਖਿਆ, ਅਤੇ ਪ੍ਰਤੀ-ਸਮੂਹ ਥ੍ਰੈਸ਼ਹੋਲਡਿੰਗ - ਨੇ ਇੱਕ ਛੋਟੀ ਜਿਹੀ ਸ਼ੁੱਧਤਾ ਵਪਾਰ-ਆਫ ਨਾਲ ਜ਼ਿਆਦਾਤਰ ਗੈਪ ਨੂੰ ਬੰਦ ਕਰ ਦਿੱਤਾ। ਕੁੰਜੀ ਇੱਕ ਚਾਲ ਨਹੀਂ ਸੀ; ਇਹ ਇੱਕ ਦੁਹਰਾਉਣ ਯੋਗ ਮਾਪ-ਘਟਾਉਣ-ਮਾਨੀਟਰ ਲੂਪ ਸੀ।
ਨੀਤੀ, ਕਾਨੂੰਨ ਅਤੇ ਸ਼ਾਸਨ: "ਚੰਗਾ" ਕਿਹੋ ਜਿਹਾ ਲੱਗਦਾ ਹੈ 🧾
ਤੁਹਾਨੂੰ ਵਕੀਲ ਹੋਣ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ, ਪਰ ਤੁਹਾਨੂੰ ਨਿਰਪੱਖਤਾ ਅਤੇ ਵਿਆਖਿਆਯੋਗਤਾ ਲਈ ਡਿਜ਼ਾਈਨ ਕਰਨ ਦੀ ਲੋੜ ਹੈ:
-
ਨਿਰਪੱਖਤਾ ਦੇ ਸਿਧਾਂਤ - ਮਨੁੱਖੀ-ਕੇਂਦ੍ਰਿਤ ਮੁੱਲ, ਪਾਰਦਰਸ਼ਤਾ, ਅਤੇ ਜੀਵਨ ਚੱਕਰ ਵਿੱਚ ਗੈਰ-ਭੇਦਭਾਵ। [1]
-
ਡੇਟਾ ਸੁਰੱਖਿਆ ਅਤੇ ਸਮਾਨਤਾ - ਜਿੱਥੇ ਨਿੱਜੀ ਡੇਟਾ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ, ਨਿਰਪੱਖਤਾ, ਉਦੇਸ਼ ਸੀਮਾ, ਅਤੇ ਵਿਅਕਤੀਗਤ ਅਧਿਕਾਰਾਂ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਫਰਜ਼ਾਂ ਦੀ ਉਮੀਦ ਕਰੋ; ਸੈਕਟਰ ਨਿਯਮ ਵੀ ਲਾਗੂ ਹੋ ਸਕਦੇ ਹਨ। ਆਪਣੀਆਂ ਜ਼ਿੰਮੇਵਾਰੀਆਂ ਦਾ ਜਲਦੀ ਨਕਸ਼ਾ ਬਣਾਓ। [2]
-
ਜੋਖਮ ਪ੍ਰਬੰਧਨ - ਵਿਆਪਕ AI ਜੋਖਮ ਪ੍ਰੋਗਰਾਮਾਂ ਦੇ ਹਿੱਸੇ ਵਜੋਂ ਪੱਖਪਾਤ ਦੀ ਪਛਾਣ ਕਰਨ, ਮਾਪਣ ਅਤੇ ਨਿਗਰਾਨੀ ਕਰਨ ਲਈ ਢਾਂਚਾਗਤ ਢਾਂਚੇ ਦੀ ਵਰਤੋਂ ਕਰੋ। ਇਸਨੂੰ ਲਿਖੋ। ਇਸਦੀ ਸਮੀਖਿਆ ਕਰੋ। ਦੁਹਰਾਓ। [1]
ਛੋਟੀ ਗੱਲ ਨੂੰ ਛੱਡ ਕੇ: ਕਾਗਜ਼ੀ ਕਾਰਵਾਈ ਸਿਰਫ਼ ਨੌਕਰਸ਼ਾਹੀ ਨਹੀਂ ਹੈ; ਇਹ ਇਸ ਤਰ੍ਹਾਂ ਹੈ ਜਿਵੇਂ ਤੁਸੀਂ ਸਾਬਤ ਕਰਦੇ ਹੋ ਕਿ ਤੁਸੀਂ ਅਸਲ ਵਿੱਚ ਕੰਮ ਕੀਤਾ ਹੈ ਜੇਕਰ ਕੋਈ ਪੁੱਛਦਾ ਹੈ।
ਤੁਲਨਾ ਸਾਰਣੀ: AI ਪੱਖਪਾਤ ਨੂੰ ਕਾਬੂ ਕਰਨ ਲਈ ਔਜ਼ਾਰ ਅਤੇ ਢਾਂਚੇ 🧰📊
| ਔਜ਼ਾਰ ਜਾਂ ਢਾਂਚਾ | ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ | ਕੀਮਤ | ਇਹ ਕਿਉਂ ਕੰਮ ਕਰਦਾ ਹੈ... ਕੁਝ ਹੱਦ ਤੱਕ |
|---|---|---|---|
| AIF360 | ਡੇਟਾ ਵਿਗਿਆਨੀ ਜੋ ਮੈਟ੍ਰਿਕਸ + ਮਿਟੀਗੇਸ਼ਨ ਚਾਹੁੰਦੇ ਹਨ | ਮੁਫ਼ਤ | ਇੱਕ ਥਾਂ 'ਤੇ ਬਹੁਤ ਸਾਰੇ ਐਲਗੋਰਿਦਮ; ਪ੍ਰੋਟੋਟਾਈਪ ਵਿੱਚ ਤੇਜ਼ੀ; ਬੇਸਲਾਈਨ ਅਤੇ ਫਿਕਸ ਦੀ ਤੁਲਨਾ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ। [5] |
| ਫੇਅਰਲਰਨ | ਟੀਮਾਂ ਨਿਰਪੱਖਤਾ ਦੀਆਂ ਸੀਮਾਵਾਂ ਨਾਲ ਸ਼ੁੱਧਤਾ ਨੂੰ ਸੰਤੁਲਿਤ ਕਰ ਰਹੀਆਂ ਹਨ | ਮੁਫ਼ਤ | ਮੁਲਾਂਕਣ/ਘਟਾਉਣ ਲਈ ਸਾਫ਼ API; ਮਦਦਗਾਰ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ; ਵਿਗਿਆਨ-ਸਿੱਖਣ ਦੇ ਅਨੁਕੂਲ। [3] |
| NIST AI (SP 1270) | ਜੋਖਮ, ਪਾਲਣਾ, ਅਤੇ ਲੀਡਰਸ਼ਿਪ | ਮੁਫ਼ਤ | ਮਨੁੱਖੀ/ਤਕਨੀਕੀ/ਪ੍ਰਣਾਲੀਗਤ ਪੱਖਪਾਤ ਅਤੇ ਜੀਵਨਚੱਕਰ ਪ੍ਰਬੰਧਨ ਲਈ ਸਾਂਝੀ ਭਾਸ਼ਾ। [1] |
| ICO ਮਾਰਗਦਰਸ਼ਨ | ਯੂਕੇ ਟੀਮਾਂ ਨਿੱਜੀ ਡੇਟਾ ਨੂੰ ਸੰਭਾਲ ਰਹੀਆਂ ਹਨ | ਮੁਫ਼ਤ | ਏਆਈ ਜੀਵਨ ਚੱਕਰ ਵਿੱਚ ਨਿਰਪੱਖਤਾ/ਭੇਦਭਾਵ ਦੇ ਜੋਖਮਾਂ ਲਈ ਵਿਹਾਰਕ ਚੈੱਕਲਿਸਟਾਂ। [2] |
ਇਹਨਾਂ ਵਿੱਚੋਂ ਹਰ ਇੱਕ ਤੁਹਾਨੂੰ ਢਾਂਚਾ, ਮੈਟ੍ਰਿਕਸ, ਅਤੇ ਸਾਂਝੀ ਸ਼ਬਦਾਵਲੀ ਦੇ ਕੇ ਤੁਹਾਡੇ ਸੰਦਰਭ ਵਿੱਚ AI ਪੱਖਪਾਤ ਕੀ ਹੈ ਇਸਦਾ
ਇੱਕ ਛੋਟਾ, ਥੋੜ੍ਹਾ ਜਿਹਾ ਵਿਚਾਰਸ਼ੀਲ ਵਰਕਫਲੋ 🧪
-
ਉਸ ਨੁਕਸਾਨ ਬਾਰੇ ਦੱਸੋ ਜਿਸ ਤੋਂ ਤੁਸੀਂ ਬਚਣਾ ਚਾਹੁੰਦੇ ਹੋ - ਵੰਡ ਨੁਕਸਾਨ, ਗਲਤੀ-ਦਰ ਅਸਮਾਨਤਾਵਾਂ, ਮਾਣ-ਸਨਮਾਨ ਨੁਕਸਾਨ, ਆਦਿ।
-
ਉਸ ਨੁਕਸਾਨ ਨਾਲ ਇਕਸਾਰ ਇੱਕ ਮੈਟ੍ਰਿਕ ਚੁਣੋ - ਉਦਾਹਰਨ ਲਈ, ਜੇਕਰ ਗਲਤੀ ਸਮਾਨਤਾ ਮਾਇਨੇ ਰੱਖਦੀ ਹੈ ਤਾਂ ਬਰਾਬਰੀ ਵਾਲੀਆਂ ਸੰਭਾਵਨਾਵਾਂ। [3]
-
ਅੱਜ ਦੇ ਡੇਟਾ ਅਤੇ ਮਾਡਲ ਨਾਲ ਬੇਸਲਾਈਨ ਚਲਾਓ
-
ਪਹਿਲਾਂ ਘੱਟ-ਰਗੜ ਫਿਕਸ ਅਜ਼ਮਾਓ - ਬਿਹਤਰ ਡੇਟਾ ਸਪਲਿਟਸ, ਥ੍ਰੈਸ਼ਹੋਲਡਿੰਗ, ਜਾਂ ਰੀਵੇਟਿੰਗ।
-
ਜੇਕਰ ਲੋੜ ਹੋਵੇ ਤਾਂ ਇਨ-ਪ੍ਰੋਸੈਸਿੰਗ ਰੁਕਾਵਟਾਂ ਤੱਕ ਵਧੋ
-
ਅਸਲ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਦਰਸਾਉਣ ਵਾਲੇ ਹੋਲਡਆਉਟ ਸੈੱਟਾਂ ਦਾ ਮੁੜ ਮੁਲਾਂਕਣ ਕਰੋ
-
ਉਤਪਾਦਨ ਵਿੱਚ ਨਿਗਰਾਨੀ - ਵੰਡ ਵਿੱਚ ਤਬਦੀਲੀਆਂ ਹੁੰਦੀਆਂ ਹਨ; ਡੈਸ਼ਬੋਰਡਾਂ ਨੂੰ ਵੀ ਇਹੀ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ।
-
ਦਸਤਾਵੇਜ਼ ਟ੍ਰੇਡ-ਆਫ - ਨਿਰਪੱਖਤਾ ਪ੍ਰਸੰਗਿਕ ਹੈ, ਇਸ ਲਈ ਦੱਸੋ ਕਿ ਤੁਸੀਂ ਪੈਰਿਟੀ Y ਦੀ ਬਜਾਏ ਪੈਰਿਟੀ X ਨੂੰ ਕਿਉਂ ਚੁਣਿਆ। [1][2]
ਰੈਗੂਲੇਟਰ ਅਤੇ ਮਿਆਰ ਸੰਸਥਾਵਾਂ ਕਿਸੇ ਕਾਰਨ ਕਰਕੇ ਜੀਵਨ ਚੱਕਰ ਸੋਚ 'ਤੇ ਜ਼ੋਰ ਦਿੰਦੀਆਂ ਰਹਿੰਦੀਆਂ ਹਨ। ਇਹ ਕੰਮ ਕਰਦਾ ਹੈ। [1]
ਹਿੱਸੇਦਾਰਾਂ ਲਈ ਸੰਚਾਰ ਸੁਝਾਅ 🗣️
-
ਸਿਰਫ਼ ਗਣਿਤ-ਸਿਰਫ਼ ਵਿਆਖਿਆਵਾਂ ਤੋਂ ਬਚੋ - ਪਹਿਲਾਂ ਸਧਾਰਨ ਚਾਰਟ ਅਤੇ ਠੋਸ ਉਦਾਹਰਣਾਂ ਦਿਖਾਓ।
-
ਸਾਦੀ ਭਾਸ਼ਾ ਵਰਤੋ - ਦੱਸੋ ਕਿ ਮਾਡਲ ਕੀ ਗਲਤ ਢੰਗ ਨਾਲ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਕੌਣ ਪ੍ਰਭਾਵਿਤ ਹੋ ਸਕਦਾ ਹੈ।
-
ਸਤਹੀ ਵਪਾਰ - ਨਿਰਪੱਖਤਾ ਦੀਆਂ ਸੀਮਾਵਾਂ ਸ਼ੁੱਧਤਾ ਨੂੰ ਬਦਲ ਸਕਦੀਆਂ ਹਨ; ਇਹ ਕੋਈ ਬੱਗ ਨਹੀਂ ਹੈ ਜੇਕਰ ਇਹ ਨੁਕਸਾਨ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ।
-
ਯੋਜਨਾ ਸੰਕਟਕਾਲੀਨ ਹਾਲਾਤ - ਜੇਕਰ ਸਮੱਸਿਆਵਾਂ ਦਿਖਾਈ ਦਿੰਦੀਆਂ ਹਨ ਤਾਂ ਕਿਵੇਂ ਰੁਕਣਾ ਹੈ ਜਾਂ ਵਾਪਸ ਕਿਵੇਂ ਜਾਣਾ ਹੈ।
-
ਸੱਦਾ ਜਾਂਚ - ਬਾਹਰੀ ਸਮੀਖਿਆ ਜਾਂ ਰੈੱਡ-ਟੀਮਿੰਗ ਅੰਨ੍ਹੇ ਸਥਾਨਾਂ ਨੂੰ ਉਜਾਗਰ ਕਰਦੀ ਹੈ। ਕਿਸੇ ਨੂੰ ਵੀ ਇਹ ਪਸੰਦ ਨਹੀਂ ਆਉਂਦਾ, ਪਰ ਇਹ ਮਦਦ ਕਰਦਾ ਹੈ। [1][2]
ਅਕਸਰ ਪੁੱਛੇ ਜਾਣ ਵਾਲੇ ਸਵਾਲ: ਅਸਲ ਵਿੱਚ AI ਪੱਖਪਾਤ ਕੀ ਹੈ? ❓
ਕੀ ਪੱਖਪਾਤ ਸਿਰਫ਼ ਮਾੜਾ ਡੇਟਾ ਨਹੀਂ ਹੈ?
ਸਿਰਫ਼ ਡੇਟਾ ਹੀ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ, ਪਰ ਮਾਡਲਿੰਗ ਵਿਕਲਪ, ਮੁਲਾਂਕਣ ਡਿਜ਼ਾਈਨ, ਤੈਨਾਤੀ ਸੰਦਰਭ, ਅਤੇ ਟੀਮ ਪ੍ਰੋਤਸਾਹਨ ਸਾਰੇ ਨਤੀਜਿਆਂ ਨੂੰ ਪ੍ਰਭਾਵਤ ਕਰਦੇ ਹਨ। [1]
ਕੀ ਮੈਂ ਪੱਖਪਾਤ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਖਤਮ ਕਰ ਸਕਦਾ ਹਾਂ?
ਆਮ ਤੌਰ 'ਤੇ ਨਹੀਂ। ਤੁਸੀਂ ਪ੍ਰਬੰਧਨ ਕਰਨ ਤਾਂ ਜੋ ਇਹ ਅਨੁਚਿਤ ਪ੍ਰਭਾਵਾਂ ਦਾ ਕਾਰਨ ਨਾ ਬਣੇ - ਕਟੌਤੀ ਅਤੇ ਸ਼ਾਸਨ ਬਾਰੇ ਸੋਚੋ, ਸੰਪੂਰਨਤਾ ਬਾਰੇ ਨਹੀਂ। [2]
ਮੈਨੂੰ ਕਿਹੜਾ ਨਿਰਪੱਖਤਾ ਮੈਟ੍ਰਿਕ ਵਰਤਣਾ ਚਾਹੀਦਾ ਹੈ?
ਨੁਕਸਾਨ ਦੀ ਕਿਸਮ ਅਤੇ ਡੋਮੇਨ ਨਿਯਮਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਚੁਣੋ। ਉਦਾਹਰਨ ਲਈ, ਜੇਕਰ ਗਲਤ ਸਕਾਰਾਤਮਕ ਕਿਸੇ ਸਮੂਹ ਨੂੰ ਵਧੇਰੇ ਨੁਕਸਾਨ ਪਹੁੰਚਾਉਂਦੇ ਹਨ, ਤਾਂ ਗਲਤੀ-ਦਰ ਸਮਾਨਤਾ (ਸਮਾਨ ਔਡਜ਼) 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰੋ। [3]
ਕੀ ਮੈਨੂੰ ਕਾਨੂੰਨੀ ਸਮੀਖਿਆ ਦੀ ਲੋੜ ਹੈ?
ਜੇਕਰ ਤੁਹਾਡਾ ਸਿਸਟਮ ਲੋਕਾਂ ਦੇ ਮੌਕਿਆਂ ਜਾਂ ਅਧਿਕਾਰਾਂ ਨੂੰ ਛੂੰਹਦਾ ਹੈ, ਤਾਂ ਹਾਂ। ਖਪਤਕਾਰ- ਅਤੇ ਸਮਾਨਤਾ-ਅਧਾਰਿਤ ਨਿਯਮ ਐਲਗੋਰਿਦਮਿਕ ਫੈਸਲਿਆਂ 'ਤੇ ਲਾਗੂ ਹੋ ਸਕਦੇ ਹਨ, ਅਤੇ ਤੁਹਾਨੂੰ ਆਪਣਾ ਕੰਮ ਦਿਖਾਉਣ ਦੀ ਲੋੜ ਹੈ। [2]
ਅੰਤਿਮ ਟਿੱਪਣੀਆਂ: ਬਹੁਤ ਲੰਮਾ, ਪੜ੍ਹਿਆ ਨਹੀਂ 🧾✨
ਜੇਕਰ ਕੋਈ ਤੁਹਾਨੂੰ ਪੁੱਛਦਾ ਹੈ ਕਿ AI ਪੱਖਪਾਤ ਕੀ ਹੈ , ਤਾਂ ਇੱਥੇ ਇੱਕ ਸੁਹਾਵਣਾ ਜਵਾਬ ਹੈ: ਇਹ AI ਆਉਟਪੁੱਟ ਵਿੱਚ ਇੱਕ ਯੋਜਨਾਬੱਧ ਵਿਘਨ ਹੈ ਜੋ ਅਸਲ ਦੁਨੀਆ ਵਿੱਚ ਅਨੁਚਿਤ ਪ੍ਰਭਾਵ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ। ਤੁਸੀਂ ਇਸਨੂੰ ਸੰਦਰਭ-ਉਚਿਤ ਮੈਟ੍ਰਿਕਸ ਨਾਲ ਨਿਦਾਨ ਕਰਦੇ ਹੋ, ਇਸਨੂੰ ਲੇਅਰਡ ਤਕਨੀਕਾਂ ਨਾਲ ਘਟਾਓ, ਅਤੇ ਇਸਨੂੰ ਪੂਰੇ ਜੀਵਨ ਚੱਕਰ ਵਿੱਚ ਨਿਯੰਤਰਿਤ ਕਰੋ। ਇਹ ਇੱਕ ਵੀ ਬੱਗ ਨਹੀਂ ਹੈ ਜਿਸ ਨੂੰ ਕੁਚਲਿਆ ਜਾ ਸਕੇ - ਇਹ ਇੱਕ ਉਤਪਾਦ, ਨੀਤੀ, ਅਤੇ ਲੋਕਾਂ ਦੇ ਸਵਾਲ ਹਨ ਜਿਨ੍ਹਾਂ ਲਈ ਮਾਪ, ਦਸਤਾਵੇਜ਼ੀਕਰਨ ਅਤੇ ਨਿਮਰਤਾ ਦੀ ਇੱਕ ਸਥਿਰ ਢੋਲਕੀ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਮੇਰਾ ਅੰਦਾਜ਼ਾ ਹੈ ਕਿ ਕੋਈ ਚਾਂਦੀ ਦੀ ਗੋਲੀ ਨਹੀਂ ਹੈ... ਪਰ ਵਧੀਆ ਚੈੱਕਲਿਸਟਾਂ, ਇਮਾਨਦਾਰ ਵਪਾਰ-ਆਫ, ਅਤੇ ਬਿਹਤਰ ਆਦਤਾਂ ਹਨ। ਅਤੇ ਹਾਂ, ਕੁਝ ਇਮੋਜੀ ਕਦੇ ਵੀ ਨੁਕਸਾਨ ਨਹੀਂ ਪਹੁੰਚਾਉਂਦੇ। 🙂
ਹਵਾਲੇ
-
NIST ਸਪੈਸ਼ਲ ਪਬਲੀਕੇਸ਼ਨ 1270 - ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਵਿੱਚ ਪੱਖਪਾਤ ਦੀ ਪਛਾਣ ਅਤੇ ਪ੍ਰਬੰਧਨ ਲਈ ਇੱਕ ਮਿਆਰ ਵੱਲ । ਲਿੰਕ
-
ਯੂਕੇ ਸੂਚਨਾ ਕਮਿਸ਼ਨਰ ਦਫ਼ਤਰ - ਨਿਰਪੱਖਤਾ, ਪੱਖਪਾਤ ਅਤੇ ਵਿਤਕਰੇ ਬਾਰੇ ਕੀ? ਲਿੰਕ
-
ਫੇਅਰਲਰਨ ਦਸਤਾਵੇਜ਼ - ਆਮ ਨਿਰਪੱਖਤਾ ਮੈਟ੍ਰਿਕਸ (ਜਨਸੰਖਿਆ ਸਮਾਨਤਾ, ਬਰਾਬਰੀ ਵਾਲੀਆਂ ਸੰਭਾਵਨਾਵਾਂ, ਕੈਲੀਬ੍ਰੇਸ਼ਨ)। ਲਿੰਕ
-
ਬੁਓਲਾਮਵਿਨੀ, ਜੇ., ਅਤੇ ਗੇਬਰੂ, ਟੀ. (2018)। ਲਿੰਗ ਸ਼ੇਡਜ਼: ਵਪਾਰਕ ਲਿੰਗ ਵਰਗੀਕਰਨ ਵਿੱਚ ਇੰਟਰਸੈਕਸ਼ਨਲ ਸ਼ੁੱਧਤਾ ਅਸਮਾਨਤਾਵਾਂ । FAT* / PMLR। ਲਿੰਕ
-
ਆਈਬੀਐਮ ਰਿਸਰਚ - ਏਆਈ ਫੇਅਰਨੈੱਸ 360 (ਏਆਈਐਫ360) ਪੇਸ਼ ਕਰ ਰਿਹਾ ਹੈ । ਲਿੰਕ