Praktyczna uczciwość: Osiąganie sprawiedliwych i bezpiecznych modeli danych

Opinie czytelników

Obecnie brak opinii czytelników. Ocena opiera się na 13 głosach.

Oryginalny tytuł:

Practical Fairness: Achieving Fair and Secure Data Models

Zawartość książki:

Uczciwość staje się nadrzędną kwestią dla naukowców zajmujących się danymi. Coraz więcej dowodów wskazuje na to, że powszechne wdrażanie uczenia maszynowego i sztucznej inteligencji w biznesie i administracji odtwarza te same uprzedzenia, z którymi staramy się walczyć w prawdziwym świecie. Ale co oznacza sprawiedliwość, jeśli chodzi o kod? Ta praktyczna książka obejmuje podstawowe kwestie związane z bezpieczeństwem danych i prywatnością, aby pomóc specjalistom od danych i sztucznej inteligencji używać kodu, który jest uczciwy i wolny od uprzedzeń.

Wiele realistycznych najlepszych praktyk pojawia się obecnie na wszystkich etapach potoku danych, od wyboru danych i wstępnego przetwarzania po zamknięte audyty modeli. Autorka Aileen Nielsen poprowadzi Cię przez techniczne, prawne i etyczne aspekty tworzenia uczciwego i bezpiecznego kodu, podkreślając jednocześnie aktualne badania akademickie i bieżące zmiany prawne związane z uczciwością i algorytmami.

⬤ Zidentyfikuj potencjalne uprzedzenia i dyskryminację w modelach nauki o danych.

⬤ Stosowanie środków zapobiegawczych w celu zminimalizowania stronniczości podczas opracowywania potoków modelowania danych.

⬤ Zrozumienie, jakie elementy potoku danych wiążą się z kwestiami bezpieczeństwa i prywatności.

⬤ Pisanie kodu przetwarzania i modelowania danych, który wdraża najlepsze praktyki w zakresie uczciwości.

⬤ Rozpoznanie złożonych powiązań między sprawiedliwością, prywatnością i bezpieczeństwem danych stworzonych przez wykorzystanie modeli uczenia maszynowego.

⬤ Stosować koncepcje normatywne i prawne istotne dla oceny uczciwości modeli uczenia maszynowego.