Wat is algoritmische vooringenomenheid?
Wat is algoritmische vooringenomenheid?

Video: Wat is algoritmische vooringenomenheid?

Video: Wat is algoritmische vooringenomenheid?
Video: Algorithmic bias explained 2024, Maart
Anonim

Algoritmische vooringenomenheid beschrijft systematische en herhaalbare fouten in een computersysteem die oneerlijke resultaten opleveren, zoals het bevoorrechten van een willekeurige groep gebruikers boven anderen.

Wat veroorzaakt algoritmische vooringenomenheid?

Bias kan in algoritmische systemen terechtkomen als gevolg van reeds bestaande culturele, sociale of institutionele verwachtingen; vanwege technische beperkingen van hun ontwerp; of door te worden gebruikt in onverwachte contexten of door een publiek dat niet in aanmerking wordt genomen in het oorspronkelijke ontwerp van de software.

Wat is algoritme-bias in AI?

Machine learning bias, ook wel algoritme bias of AI bias genoemd, is een fenomeen dat optreedt wanneer een algoritme resultaten produceert die systemisch zijn bevooroordeeld als gevolg van onjuiste veronderstellingen in het machine learning-proces.

Hoe voorkom je algoritmische vooringenomenheid?

  1. Identificeer mogelijke bronnen van vooringenomenheid. …
  2. Stel richtlijnen en regels op voor het elimineren van vooroordelen en procedures. …
  3. Identificeer nauwkeurige representatieve gegevens. …
  4. Document en deel hoe gegevens worden geselecteerd en opgeschoond. …
  5. Evalueer het model op prestaties en selecteer naast prestaties het minst bevooroordeeld. …
  6. Bewaak en bekijk modellen in werking.

Wat zijn vooroordelen bij machine learning?

AI-gegevens. Geplaatst op 4 februari 2021. Databias bij machine learning is een type fout waarbij bepaalde elementen van een dataset zwaarder worden gewogen en/of vertegenwoordigd dan andere Een vertekende dataset vertegenwoordigt niet nauwkeurig de use case van een model, wat resulteert in scheve resultaten, lage nauwkeurigheidsniveaus en analytische fouten.

Aanbevolen: