Taisnīgums mākslīgajā intelektā

Šis modulis pēta godīgumu mākslīgajā intelektā (AI), koncentrējoties uz aizspriedumu identificēšanu un mazināšanu AI sistēmās. Tas aptver aizspriedumu avotus, metodes godīguma novērtēšanai un uzlabošanai, kā arī AI lēmumu ētiskās sekas dažādām populācijām, cenšoties veicināt vienlīdzību un novērst diskrimināciju AI lietojumos.

Mācību programmas veidotājs

Nepieciešama palīdzība? Noklikšķiniet šeit, lai saņemtu norādījumus.

Angvins, Džūlija, Džefs Larsons, Surja Mattu un Lorēna Kirhnere. “Mašīnas neobjektivitāte.” ProPublica, 2016. gada 23. maijs.

https://www.propublica.org/article/machine-bias-risk-assessments-in-criminal-sentencing

Grira, Nizars un M. Kruciāns. “Neuzraudzīta un daļēji uzraudzīta klasterizācija – īss apsekojums”, 2004.

https://www.semanticscholar.org/paper/Unsupervised-and-Semi-supervised-Clustering-%3A-a-%E2%88%97-Grira-Crucianu/acb799150e4cd3a75fe79ca262047612bd8e5194

Olteanu, Alexandra, Carlos Castillo, Fernando Diaz un Emre Kıcıman. “Sociālie dati: aizspriedumi, metodoloģiskās nepilnības un ētiskās robežas.” Robežas lielajos datos 2 (2019. gada 11. jūlijs): 13.

https://doi.org/10.3389/fdata.2019.00013

Mehrabi, Ninareh, Fred Morstatter, Nanyun Peng un Aram Galstyan. “Debiasing Community Detection: The Importance of Low-Connected Nodes.” arXiv, 2019.

https://doi.org/10.48550/ARXIV.1903.08136

Fortunato, Santo un Darko Hric. “Kopienas noteikšana tīklos: lietotāja rokasgrāmata.” Fizikas ziņojumi 659 (2016): 1–44.

https://doi.org/10.1016/j.physrep.2016.09.002

Zhao, Jieyu, Tianlu Wang, Mark Yatskar, Vicente Ordonez un Kai-Wei Chang. “Vīriešiem patīk arī iepirkšanās: dzimumu aizspriedumu pastiprināšanas samazināšana, izmantojot korpusa līmeņa ierobežojumus.” arXiv, 2017.

https://doi.org/10.48550/ARXIV.1707.09457

Mehrabi, Ninareh, Fred Morstatter, Nripsuta Saxena, Kristina Lerman un Aram Galstyan. “Aptauja par neobjektivitāti un taisnīgumu mašīnmācīšanā.” ACM skaitļošanas apsekojumi 54, Nr. 6 (2021. gada 13. jūlijs): 1–35.

https://doi.org/10.1145/3457607