S:
Makine önyargısı, makine öğrenmesinde neden bir sorundur?
A:Bu soru iki farklı şekilde cevaplanabilir. Birincisi, makine yanlılığı sorunu neden olduğu gibi, makine öğrenme süreçlerinde neden var?
Makine öğrenimi, karmaşık ve karmaşık olsa da, kullandığı veri kümelerine bağlı olarak bir ölçüde sınırlıdır. Veri setlerinin yapısı doğal yanlılığı içerir. Eksiklikler ve kasıtlı dahil etme seçimlerinin belirli bir önyargı gösterebileceği medyada olduğu gibi, makine öğrenmesinde de, ne tür bir önyargı olduğunu belirlemek için kullanılan veri kümelerinin incelenmesi gerekir.
| Ücretsiz İndirme: Makine Öğrenmesi ve Neden Önemlidir |
Örneğin, teknoloji testi ve tasarım süreçlerinde, bir kullanıcı türünü diğerine tercih etmek yaygın bir sorundur. Bunun büyük bir örneği teknoloji dünyasındaki cinsiyet eşitsizliğidir.
Bu neden bir fark yaratıyor ve neden makine öğrenmesi için geçerli?
Çünkü bir test ortamında mevcut dişilerin eksikliği, bir kadın izleyici için daha az kullanıcı dostu olan üretilmiş bir teknolojiye yol açabilir. Bazı uzmanların bunu tanımlama şekli, mevcut kadın testi olmadan, son ürünün kadın kullanıcıların girdilerini tanımayabileceğidir - kadın kimliklerini tanımak veya kadınlardan gelen girdilerle yeterince ilgilenmek için araçlara sahip olmayabilir.
Aynı durum çeşitli etnik kökenler, farklı dinlerden insanlar veya başka herhangi bir demografik tür için de geçerlidir. Doğru veriler olmadan, makine öğrenme algoritmaları belirli bir kullanıcı kümesi için doğru şekilde çalışmaz, böylece dahil etme verilerinin teknolojiye kasıtlı olarak eklenmesi gerekir. İnsan işleyicilerin sadece birincil veri kümelerini almak ve doğal önyargıyı güçlendirmek yerine, konuyu gerçekten incelemeleri gerekir.
Başka bir örnek, iş ve maaş bilgilerini alan ve sonuçları veren bir makine öğrenme motorudur. Bu doğal veri seti analiz edilmezse, makine sapmayı güçlendirir. Erkeklerin yürütme işlerinin büyük çoğunluğunu elinde tuttuğunu algılarsa ve makine öğrenimi süreci ham veri kümesiyle filtrelemeyi ve karşılık gelen sonuçları döndürmeyi içeriyorsa, erkek taraflılığını gösteren sonuçlar döndürür.
Sorunun ikinci kısmı, bu yanlılığın neden bu kadar zararlı olduğunu içerir. Yeterli denetim ve test yapılmadan, yeni teknolojiler dahil olma ve eşitlik anlayışımıza zarar verebilir, yardım edemez. Daha açık tenli, ancak daha koyu tenli olmayan yüzleri tanıyan yeni bir teknoloji ürünü piyasaya sürülürse, artan etnik gerginliklere ve söz konusu şirketin çeşitliliğe duyarlı olmadığı duygusuna yol açabilir. Bir makine öğrenme algoritması veri kümelerindeki önyargıyı yeniden üretir ve arttırırsa, yapay zeka, bir grup insanı diğerine tercih eden sosyal sistemde zaten var olan insan seslerine ve insan eğilimlerine sesini ekleyecektir.
Bununla başa çıkmanın en iyi yolu, temeldeki veri setlerine yakından bakmak, özellik seçimini kullanmak, değişken girdi eklemek ve ham veri setlerini kendileri manipüle etmek ve kasıtlı insan veri işçiliği ile makine öğreniminin gerçek gücünü arttırmaktır. sonuç büyük analitik güç sağlar, fakat aynı zamanda bilgisayarların henüz çoğaltamayacağı insani anlayışlardan bazılarıdır.
