Pochopit, řídit a předcházet algoritmickému zkreslení: Průvodce pro podnikové uživatele a datové vědce

Recenze čtenářů

Kniha „Understand, Manage, and Prevent Algorithmic Bias“ je chválena za to, že je přístupná i neodborníkům a poskytuje cenné poznatky o algoritmickém zkreslení, což z ní činí dobrý úvodní zdroj informací. Nemusí však uspokojit potřeby zkušených odborníků z praxe, kteří hledají pokročilé znalosti.

Přístupné a užitečné pro neodborníky, praktický návod na algoritmické zkreslení, cenné propojení mezi tradičními analytickými koncepty a koncepty strojového učení.

Nemusí splňovat očekávání zkušených odborníků nebo datových vědců, kteří hledají pokročilé poznatky.

(na základě 3 hodnocení čtenářů)

Původní název:

Understand, Manage, and Prevent Algorithmic Bias: A Guide for Business Users and Data Scientists

Obsah knihy:

Jsou algoritmy přítel nebo nepřítel?

Lidská mysl je evolučně navržena tak, aby si zkracovala cestu k přežití. Děláme unáhlené závěry, protože náš mozek nás chce udržet v bezpečí. Většina našich předsudků pracuje v náš prospěch, například když máme pocit, že auto jedoucí naším směrem je nebezpečné, a okamžitě uhneme, nebo když se rozhodneme nevzít si sousto jídla, které se zdá být zkažené. Vrozené předsudky však negativně ovlivňují pracovní prostředí a rozhodování v okolí našich komunit. Vytváření algoritmů a strojového učení se sice pokouší předpojatost eliminovat, jsou však přece jen vytvořeny lidmi, a jsou tedy náchylné k tomu, co nazýváme algoritmickou předpojatostí.

V knize Pochopit, řídit a předcházet algoritmickému zkreslení vám autor Tobias Baer pomůže pochopit, odkud se bere algoritmické zkreslení, jak ho řídit jako podnikový uživatel nebo regulátor a jak může datová věda zabránit tomu, aby se zkreslení dostalo do statistických algoritmů. Baer se odborně zabývá některými z více než 100 odrůd přirozeného zkreslení, jako je zkreslení potvrzení, zkreslení stability, zkreslení rozpoznávání vzorů a mnoho dalších. Algoritmické zkreslení odráží - a má svůj původ - v těchto lidských tendencích. Baer se zabývá tak různorodými tématy, jako je detekce anomálií, hybridní modelové struktury a sebezdokonalující se strojové učení.

Zatímco většina prací o algoritmické zaujatosti se zaměřuje na nebezpečí, jádro této pozitivní a zábavné knihy ukazuje cestu, na níž je možné zaujatost držet na uzdě, nebo ji dokonce eliminovat. Odnesete si manažerské techniky pro vývoj nezaujatých algoritmů, schopnost rychleji odhalit zaujatost a znalosti pro vytváření nezaujatých dat. Pochopit, řídit a předcházet algoritmickému zkreslení je inovativní, aktuální a důležitá kniha, která patří na vaši poličku. Ať už jste zkušený obchodní manažer, datový vědec, nebo jen nadšenec, nyní je rozhodující čas, abyste se vzdělávali o dopadu algoritmické zaujatosti na společnost a aktivně se zapojili do boje proti ní.

Co se dozvíte

⬤ Studujte mnoho zdrojů algoritmického zkreslení, včetně kognitivních zkreslení v reálném světě, zkreslených dat a statistického artefaktu.

⬤ Pochopit rizika algoritmických předsudků, způsoby jejich odhalování a manažerské techniky, jak jim předcházet nebo je zvládat.

⬤ Uvědomit si, jak strojové učení přináší nové zdroje algoritmické zaujatosti a zároveň může být součástí řešení.

⬤ Znát konkrétní statistické techniky, které může datový vědec použít k odhalení a překonání algoritmické zaujatosti.

Pro koho je tato kniha určena

Vedoucí pracovníci firem, kteří používají algoritmy v každodenním provozu.

Datoví vědci (od studentů po zkušené odborníky), kteří vyvíjejí algoritmy.

Úředníci odpovědní za dodržování předpisů, kteří se obávají algoritmické zaujatosti.

Politici, novináři a filozofové, kteří přemýšlejí o algoritmické zaujatosti z hlediska jejího dopadu na společnost a možných regulačních reakcí.

A spotřebitelé, kteří se zajímají o to, jak by je mohla ovlivnit algoritmická zaujatost.