Praktická spravedlnost: Dosahování spravedlivých a bezpečných datových modelů

Recenze čtenářů

Aktuálně nejsou k dispozici žádné recenze čtenářů. Hodnocení je založeno na 13 hlasů.

Původní název:

Practical Fairness: Achieving Fair and Secure Data Models

Obsah knihy:

Spravedlnost se pro datové vědce stává prvořadým hlediskem. Stále více důkazů naznačuje, že rozsáhlé nasazení strojového učení a umělé inteligence v podnikání a státní správě reprodukuje stejné předsudky, proti kterým se snažíme bojovat v reálném světě. Co ale znamená spravedlnost, když jde o kód? Tato praktická kniha se zabývá základními otázkami souvisejícími se zabezpečením dat a ochranou soukromí, aby pomohla odborníkům na data a umělou inteligenci používat kód, který je spravedlivý a bez předsudků.

Mnoho realistických osvědčených postupů se dnes objevuje ve všech krocích datového potrubí, od výběru dat a jejich předzpracování až po uzavřené audity modelů. Autorka Aileen Nielsen vás provede technickými, právními a etickými aspekty tvorby férového a bezpečného kódu a zároveň upozorní na aktuální akademický výzkum a probíhající právní vývoj související s férovostí a algoritmy.

⬤ Identifikace potenciální zaujatosti a diskriminace v modelech datové vědy.

⬤ Využívejte preventivní opatření k minimalizaci zaujatosti při vývoji datových modelovacích potrubí.

⬤ Pochopit, které součásti datových potrubí implikují obavy o bezpečnost a soukromí.

⬤ Napsat kód pro zpracování a modelování dat, který implementuje osvědčené postupy pro spravedlnost.

⬤ Rozpoznat složité vzájemné vztahy mezi spravedlností, soukromím a bezpečností dat, které vznikají při používání modelů strojového učení.

⬤ Aplikovat normativní a právní koncepty relevantní pro hodnocení spravedlnosti modelů strojového učení.