Equità pratica: Realizzare modelli di dati equi e sicuri

Recensioni dei lettori

Attualmente non ci sono recensioni dei lettori. La valutazione si basa su 13 voti.

Titolo originale:

Practical Fairness: Achieving Fair and Secure Data Models

Contenuto del libro:

L'equità sta diventando una considerazione fondamentale per gli scienziati dei dati. Prove sempre più evidenti indicano che la diffusione dell'apprendimento automatico e dell'IA nelle aziende e nelle amministrazioni pubbliche riproduce gli stessi pregiudizi che stiamo cercando di combattere nel mondo reale. Ma cosa significa equità quando si parla di codice? Questo libro pratico affronta le questioni di base relative alla sicurezza e alla privacy dei dati per aiutare i professionisti dei dati e dell'IA a utilizzare codice equo e privo di pregiudizi.

Oggi stanno emergendo molte best practice realistiche in tutte le fasi della pipeline dei dati, dalla selezione e pre-elaborazione dei dati alle verifiche dei modelli chiusi. L'autrice Aileen Nielsen vi guida attraverso gli aspetti tecnici, legali ed etici per rendere il codice equo e sicuro, evidenziando al contempo la ricerca accademica aggiornata e gli sviluppi legali in corso relativi all'equità e agli algoritmi.

⬤ Identificare potenziali pregiudizi e discriminazioni nei modelli della scienza dei dati.

⬤ Utilizzare misure preventive per ridurre al minimo i pregiudizi durante lo sviluppo di pipeline di modellazione dei dati.

⬤ Capire quali componenti delle pipeline di dati implicano problemi di sicurezza e privacy.

⬤ Scrivere codice per l'elaborazione e la modellazione dei dati che implementi le migliori pratiche per l'equità.

⬤ Riconoscere le complesse interrelazioni tra equità, privacy e sicurezza dei dati create dall'uso di modelli di apprendimento automatico.

⬤ Applicare concetti normativi e legali per valutare l'equità dei modelli di apprendimento automatico.