AI சார்பு என்றால் என்ன?

AI எல்லா இடங்களிலும் அமைதியாக வரிசைப்படுத்துகிறது, மதிப்பெண் பெறுகிறது மற்றும் பரிந்துரைக்கிறது. அது எளிது... சில குழுக்களை முன்னோக்கி நகர்த்தி, மற்றவற்றை பின்னால் விட்டுவிடும் வரை. AI சார்பு என்றால் என்ன , மெருகூட்டப்பட்ட மாடல்களில் கூட அது ஏன் தோன்றுகிறது, செயல்திறனைக் குறைக்காமல் அதை எவ்வாறு குறைப்பது என்று நீங்கள் யோசித்திருந்தால், இந்த வழிகாட்டி உங்களுக்கானது.

இதற்குப் பிறகு நீங்கள் படிக்க விரும்பக்கூடிய கட்டுரைகள்:

🔗 GPT என்றால் என்ன?
GPT பெயர் மற்றும் அதன் தோற்றம் பற்றிய எளிய-ஆங்கில விளக்கம்.

🔗 முன்னறிவிப்பு AI என்றால் என்ன?
வரலாற்று மற்றும் நேரடி தரவுகளிலிருந்து விளைவுகளை முன்கணிப்பு மாதிரிகள் எவ்வாறு முன்னறிவிக்கின்றன.

🔗 திறந்த மூல AI என்றால் என்ன?
வரையறை, முக்கிய நன்மைகள், சவால்கள், உரிமங்கள் மற்றும் திட்ட உதாரணங்கள்.

🔗 உங்கள் வணிகத்தில் AI ஐ எவ்வாறு இணைப்பது
படிப்படியான சாலை வரைபடம், கருவிகள், பணிப்பாய்வுகள் மற்றும் மாற்ற மேலாண்மை அத்தியாவசியங்கள்.

விரைவான வரையறை: AI சார்பு என்றால் என்ன?

AI சார்பு என்பது ஒரு AI அமைப்பின் வெளியீடுகள் குறிப்பிட்ட நபர்கள் அல்லது குழுக்களுக்கு முறையாக சாதகமாகவோ அல்லது பாதகமாகவோ இருக்கும்போது ஏற்படும் நிலை. இது பெரும்பாலும் சமநிலையற்ற தரவு, குறுகிய அளவீட்டுத் தேர்வுகள் அல்லது அமைப்பு கட்டமைக்கப்பட்டுப் பயன்படுத்தப்படும் பரந்த சூழலிலிருந்து உருவாகிறது. சார்பு எப்போதும் தீங்கிழைக்கும் தன்மை கொண்டதல்ல, ஆனால் சரிபார்க்கப்படாவிட்டால் அது தீங்குகளை விரைவாக அளவிடக்கூடும். [1]

ஒரு பயனுள்ள வேறுபாடு: முடிவெடுப்பதில் ஒரு சாய்வு என்பது ஒரு சார்பு பாகுபாடு என்பது உலகில் ஒரு சாய்வு ஏற்படுத்தக்கூடிய தீங்கு விளைவிக்கும் விளைவு. எல்லா சார்புகளையும் நீங்கள் எப்போதும் அகற்ற முடியாது, ஆனால் அது நியாயமற்ற விளைவுகளை உருவாக்காதபடி நீங்கள் அதை நிர்வகிக்க வேண்டும். [2]

சார்புகளைப் புரிந்துகொள்வது ஏன் உங்களை சிறந்ததாக்குகிறது 💡

விசித்திரமாக இருக்கிறது, இல்லையா? ஆனால் AI சார்பு என்றால் என்ன என்பதை உங்களை:

• வடிவமைப்பில் சிறந்தது - பலவீனமான அனுமானங்களை நீங்கள் விரைவில் கண்டுபிடிப்பீர்கள்.

• நிர்வாகத்தில் சிறந்தவர் - நீங்கள் கையை அசைப்பதற்குப் பதிலாக சமரசங்களை ஆவணப்படுத்துவீர்கள்.

• தலைவர்கள், ஒழுங்குமுறை அதிகாரிகள் மற்றும் பாதிக்கப்பட்ட மக்களுடன் உரையாடுவதில் சிறந்தது

மேலும், நியாயத்தன்மை அளவீடுகள் மற்றும் கொள்கையின் மொழியைக் கற்றுக்கொள்வது பின்னர் நேரத்தை மிச்சப்படுத்துகிறது. நேர்மையாகச் சொன்னால், அது ஒரு சாலைப் பயணத்திற்கு முன் ஒரு வரைபடத்தை வாங்குவது போன்றது - இது அபூரணமானது, ஆனால் அதிர்வுகளை விட மிகச் சிறந்தது. [2]

நீங்கள் உண்மையில் காட்டில் காணக்கூடிய AI சார்புகளின் வகைகள் 🧭

AI வாழ்க்கைச் சுழற்சி முழுவதும் சார்புநிலை வெளிப்படுகிறது. அணிகள் எதிர்கொள்ளும் பொதுவான வடிவங்கள்:

• தரவு மாதிரி சார்பு - சில குழுக்கள் குறைவாக பிரதிநிதித்துவப்படுத்தப்படுகின்றன அல்லது காணவில்லை.

• லேபிள் சார்பு - வரலாற்று லேபிள்கள் பாரபட்சம் அல்லது சத்தமான மனித தீர்ப்புகளை குறியாக்குகின்றன.

• அளவீட்டு சார்பு - நீங்கள் உண்மையிலேயே மதிப்பிடுவதைப் பிடிக்காத ப்ராக்ஸிகள்.

• மதிப்பீட்டு சார்பு - சோதனைத் தொகுப்புகள் சில மக்கள்தொகை அல்லது சூழல்களைத் தவறவிடுகின்றன.

• வரிசைப்படுத்தல் சார்பு - தவறான அமைப்பில் பயன்படுத்தப்படும் ஒரு நல்ல ஆய்வக மாதிரி.

• அமைப்பு ரீதியான & மனித சார்பு - பரந்த சமூக வடிவங்கள் மற்றும் குழுத் தேர்வுகள் தொழில்நுட்பத்தில் கசிவு.

தரநிலை அமைப்புகளிலிருந்து ஒரு பயனுள்ள மன மாதிரியானது, மனித, தொழில்நுட்ப மற்றும் அமைப்பு ரீதியான மாதிரி மாற்றங்களை மட்டுமல்லாமல், சமூக-தொழில்நுட்ப பரிந்துரைக்கிறது

பைப்லைனில் பாரபட்சம் எங்கே பதுங்கி இருக்கிறது 🔍

1. பிரச்சனையை உருவாக்குதல் - இலக்கை மிகக் குறுகியதாக வரையறுத்து, தயாரிப்பு சேவை செய்ய வேண்டிய நபர்களை நீங்கள் விலக்குகிறீர்கள்.

2. தரவு ஆதாரம் - வரலாற்றுத் தரவு பெரும்பாலும் கடந்த கால ஏற்றத்தாழ்வுகளை குறியாக்குகிறது.

3. அம்சத் தேர்வுகள் - உணர்திறன் பண்புக்கூறுகளுக்கான ப்ராக்ஸிகள் உணர்திறன் பண்புக்கூறுகளை மீண்டும் உருவாக்க முடியும்.

4. பயிற்சி - குறிக்கோள்கள் சராசரி துல்லியத்தை மேம்படுத்துகின்றன, சமத்துவத்தை அல்ல.

5. சோதனை - உங்கள் ஹோல்ட்அவுட் தொகுப்பு சாய்வாக இருந்தால், உங்கள் அளவீடுகளும் சாய்வாகவே இருக்கும்.

6. கண்காணிப்பு - பயனர்கள் அல்லது சூழலில் ஏற்படும் மாற்றங்கள் சிக்கல்களை மீண்டும் அறிமுகப்படுத்தலாம்.

மாதிரி-பொருத்த நேரத்தில் மட்டுமல்லாமல், இந்த வாழ்க்கைச் சுழற்சி முழுவதும் நியாயத்தன்மை அபாயங்களை ஆவணப்படுத்துவதை ஒழுங்குமுறை அதிகாரிகள் வலியுறுத்துகின்றனர். இது அனைவரின் கைகளாலும் செய்யப்படும் ஒரு பயிற்சியாகும். [2]

வட்டங்களில் செல்லாமல் எப்படி நியாயத்தை அளவிடுவது? 📏

அவை அனைத்தையும் கட்டுப்படுத்த ஒரே அளவீடு இல்லை. உங்கள் பயன்பாட்டு சூழ்நிலை மற்றும் நீங்கள் தவிர்க்க விரும்பும் தீங்குகளின் அடிப்படையில் தேர்வு செய்யவும்.

• மக்கள்தொகை சமநிலை - தேர்வு விகிதங்கள் குழுக்களிடையே ஒரே மாதிரியாக இருக்க வேண்டும். ஒதுக்கீட்டு கேள்விகளுக்கு நல்லது, ஆனால் துல்லிய இலக்குகளுடன் முரண்படலாம். [3]

• சமப்படுத்தப்பட்ட முரண்பாடுகள் - தவறான நேர்மறைகள் மற்றும் உண்மையான நேர்மறைகள் போன்ற பிழை விகிதங்கள் ஒரே மாதிரியாக இருக்க வேண்டும். பிழைகளின் விலை குழுவிற்கு ஏற்ப வேறுபடும் போது பயனுள்ளதாக இருக்கும். [3]

• அளவுத்திருத்தம் - ஒரே மதிப்பெண்ணுக்கு, அனைத்து குழுக்களிலும் முடிவுகள் சமமாக இருக்க வேண்டும். மதிப்பெண்கள் மனித முடிவுகளை இயக்கும்போது உதவியாக இருக்கும். [3]

கருவித்தொகுப்புகள் இடைவெளிகள், வரைபடங்கள் மற்றும் டாஷ்போர்டுகளைக் கணக்கிடுவதன் மூலம் இதை நடைமுறைக்குக் கொண்டுவருகின்றன, இதனால் நீங்கள் யூகிப்பதை நிறுத்தலாம். [3]

சார்புகளைக் குறைப்பதற்கான நடைமுறை வழிகள் உண்மையில் வேலை செய்கின்றன 🛠️

ஒரு வெள்ளி தோட்டாவை விட அடுக்கு தணிப்புகளைப் பற்றி சிந்தியுங்கள்

• தரவு தணிக்கைகள் & செறிவூட்டல் - கவரேஜ் இடைவெளிகளைக் கண்டறிதல், சட்டப்பூர்வமான இடங்களில் பாதுகாப்பான தரவைச் சேகரித்தல், ஆவண மாதிரி.

• மறு எடையிடுதல் & மறு மாதிரி செய்தல் - சாய்வைக் குறைக்க பயிற்சி விநியோகத்தை சரிசெய்யவும்.

• செயலாக்கத்தில் உள்ள கட்டுப்பாடுகள் - மாதிரி நேரடியாக வர்த்தக பரிமாற்றங்களைக் கற்றுக்கொள்வதற்காக, குறிக்கோளுடன் நியாயத்தன்மை இலக்குகளைச் சேர்க்கவும்.

• எதிர்மறையான சார்புநிலை - உள் பிரதிநிதித்துவங்களிலிருந்து உணர்திறன் பண்புகளை கணிக்க முடியாதபடி மாதிரியைப் பயிற்றுவிக்கவும்.

• செயலாக்கத்திற்குப் பிந்தையது - பொருத்தமானதாகவும் சட்டப்பூர்வமாகவும் இருக்கும்போது ஒரு குழுவிற்கு முடிவு வரம்புகளை அளவீடு செய்யுங்கள்.

• மனித-சுழற்சி சோதனைகள் - விளக்கக்கூடிய சுருக்கங்கள் மற்றும் விரிவாக்க பாதைகளைக் கொண்ட ஜோடி மாதிரிகள்.

AIF360 மற்றும் Fairlearn போன்ற திறந்த மூல நூலகங்கள் அளவீடுகள் மற்றும் தணிப்பு வழிமுறைகள் இரண்டையும் வழங்குகின்றன. அவை மந்திரம் அல்ல, ஆனால் அவை உங்களுக்கு ஒரு முறையான தொடக்கப் புள்ளியைத் தரும். [5][3]

சார்பு முக்கியம் என்பதற்கான நிஜ உலக ஆதாரம் 📸💳🏥

• முக பகுப்பாய்வு - பரவலாக மேற்கோள் காட்டப்பட்ட ஆராய்ச்சி, வணிக அமைப்புகளில் பாலினம் மற்றும் தோல் வகை குழுக்களிடையே பெரிய துல்லிய ஏற்றத்தாழ்வுகளை ஆவணப்படுத்தியது, இது துறையை சிறந்த மதிப்பீட்டு நடைமுறைகளை நோக்கித் தள்ளியது. [4]

• அதிக பங்குகள் கொண்ட முடிவுகள் (கடன், பணியமர்த்தல், வீட்டுவசதி) - நோக்கம் இல்லாவிட்டாலும், பாரபட்சமான முடிவுகள் நியாயத்தன்மை மற்றும் பாகுபாடு எதிர்ப்பு கடமைகளுடன் முரண்படக்கூடும். மொழிபெயர்ப்பு: குறியீடுகளுக்கு மட்டுமல்ல, விளைவுகளுக்கும் நீங்கள் பொறுப்பு. [2]

நடைமுறையில் இருந்து ஒரு விரைவான நிகழ்வு: பெயர் குறிப்பிடப்படாத பணியமர்த்தல்-திரை தணிக்கையில், ஒரு குழு தொழில்நுட்பப் பணிகளில் பெண்களுக்கான நினைவுகூரல் இடைவெளிகளைக் கண்டறிந்தது. எளிய படிகள் - சிறந்த அடுக்குப் பிளவுகள், அம்ச மதிப்பாய்வு மற்றும் ஒவ்வொரு குழுவிற்கும் வரம்பு - ஒரு சிறிய துல்லிய பரிமாற்றத்துடன் பெரும்பாலான இடைவெளியை மூடியது. முக்கியமானது ஒரு தந்திரம் அல்ல; அது மீண்டும் மீண்டும் செய்யக்கூடிய அளவீட்டு-குறைப்பு-கண்காணிப்பு வளையமாகும்.

கொள்கை, சட்டம் மற்றும் நிர்வாகம்: "நல்லது" எப்படி இருக்கும் 🧾

நீங்கள் ஒரு வழக்கறிஞராக இருக்க வேண்டிய அவசியமில்லை, ஆனால் நியாயமாகவும் விளக்கமாகவும் வடிவமைக்க வேண்டும்:

• நியாயத்தன்மை கொள்கைகள் - மனிதனை மையமாகக் கொண்ட மதிப்புகள், வெளிப்படைத்தன்மை மற்றும் வாழ்க்கைச் சுழற்சி முழுவதும் பாகுபாடு காட்டாமை. [1]

• தரவு பாதுகாப்பு மற்றும் சமத்துவம் - தனிப்பட்ட தரவு சம்பந்தப்பட்ட இடங்களில், நியாயம், நோக்க வரம்பு மற்றும் தனிப்பட்ட உரிமைகள் தொடர்பான கடமைகளை எதிர்பார்க்கலாம்; துறை விதிகளும் பொருந்தக்கூடும். உங்கள் கடமைகளை முன்கூட்டியே வரைபடமாக்குங்கள். [2]

• இடர் மேலாண்மை - பரந்த AI இடர் திட்டங்களின் ஒரு பகுதியாக சார்புகளை அடையாளம் காண, அளவிட மற்றும் கண்காணிக்க கட்டமைக்கப்பட்ட கட்டமைப்புகளைப் பயன்படுத்தவும். அதை எழுதுங்கள். மதிப்பாய்வு செய்யுங்கள். மீண்டும் செய்யவும். [1]

யாராவது கேட்டால் நீங்கள் உண்மையில் வேலையைச் செய்தீர்கள் என்பதை நிரூபிப்பது இதுதான்

ஒப்பீட்டு அட்டவணை: AI சார்பைக் கட்டுப்படுத்துவதற்கான கருவிகள் மற்றும் கட்டமைப்புகள் 🧰📊

இவை ஒவ்வொன்றும் உங்கள் சூழலில் AI சார்பு என்ன என்பதை

ஒரு சிறிய, சற்று கருத்துள்ள பணிப்பாய்வு 🧪

1. நீங்கள் தவிர்க்க விரும்பும் தீங்கைக் குறிப்பிடுங்கள் - ஒதுக்கீடு தீங்கு, பிழை விகித ஏற்றத்தாழ்வுகள், கண்ணியக் தீங்கு போன்றவை.

2. அந்தத் தீங்குடன் சீரமைக்கப்பட்ட ஒரு அளவீட்டைத் தேர்ந்தெடுக்கவும் - எ.கா., பிழை சமநிலை முக்கியமானது என்றால் சமப்படுத்தப்பட்ட வாய்ப்புகள். [3]

3. இன்றைய தரவு மற்றும் மாதிரியுடன் அடிப்படைகளை இயக்கவும்

4. முதலில் குறைந்த உராய்வு திருத்தங்களை முயற்சிக்கவும் - சிறந்த தரவுப் பிரிப்புகள், வரம்பு அல்லது மறு எடையிடுதல்.

5. தேவைப்பட்டால், செயலாக்கத்தில் உள்ள கட்டுப்பாடுகளை அதிகரிக்கவும்

6. உண்மையான பயனர்களைக் குறிக்கும் ஹோல்டுஅவுட் தொகுப்புகளை மறு மதிப்பீடு செய்யவும்

7. உற்பத்தியில் கண்காணிப்பு - விநியோக மாற்றங்கள் நிகழ்கின்றன; டேஷ்போர்டுகளும் அவ்வாறு செய்ய வேண்டும்.

8. ஆவண பரிமாற்றங்கள் - நியாயத்தன்மை என்பது சூழல் சார்ந்தது, எனவே நீங்கள் ஏன் சமநிலை Y ஐ விட சமநிலை X ஐத் தேர்ந்தெடுத்தீர்கள் என்பதை விளக்குங்கள். [1][2]

ஒழுங்குமுறை அதிகாரிகளும் தரநிலை அமைப்புகளும் ஒரு காரணத்திற்காக வாழ்க்கைச் சுழற்சி சிந்தனையை தொடர்ந்து வலியுறுத்துகின்றன. அது வேலை செய்கிறது. [1]

பங்குதாரர்களுக்கான தொடர்பு குறிப்புகள் 🗣️

• கணிதம் சார்ந்த விளக்கங்களைத் தவிர்க்கவும் - முதலில் எளிய விளக்கப்படங்களையும் உறுதியான உதாரணங்களையும் காட்டுங்கள்.

• எளிமையான மொழியில் சொல்லுங்கள் - அந்த மாடல் என்ன நியாயமற்ற முறையில் செய்யக்கூடும், யார் பாதிக்கப்படலாம் என்று சொல்லுங்கள்.

• மேற்பரப்பு சமரசங்கள் - நியாயத்தன்மை கட்டுப்பாடுகள் துல்லியத்தை மாற்றக்கூடும்; அது தீங்கைக் குறைத்தால் அது ஒரு பிழை அல்ல.

• திட்டமிடல் தற்செயல்கள் - சிக்கல்கள் தோன்றினால் எப்படி இடைநிறுத்துவது அல்லது திரும்பப் பெறுவது.

• விசாரணைக்கு அழைக்கவும் - வெளிப்புற மதிப்பாய்வு அல்லது ரெட்-டீமிங் குருட்டுப் புள்ளிகளைக் கண்டறியும். யாரும் அதை விரும்புவதில்லை, ஆனால் அது உதவுகிறது. [1][2]

அடிக்கடி கேட்கப்படும் கேள்விகள்: உண்மையில் AI சார்பு என்றால் என்ன? ❓

சார்பு என்பது மோசமான தரவு மட்டுமல்லவா?
மட்டுமல்ல. தரவு முக்கியமானது, ஆனால் மாடலிங் தேர்வுகள், மதிப்பீட்டு வடிவமைப்பு, பயன்படுத்தல் சூழல் மற்றும் குழு ஊக்கத்தொகைகள் அனைத்தும் விளைவுகளை பாதிக்கின்றன. [1]

சார்புகளை முற்றிலுமாக நீக்க முடியுமா?
பொதுவாக முடியாது. நியாயமற்ற விளைவுகளை ஏற்படுத்தாதபடி சார்புகளை நிர்வகிக்க

எந்த நியாயத்தன்மை அளவீட்டை நான் பயன்படுத்த வேண்டும்?
தீங்கு வகை மற்றும் டொமைன் விதிகளின் அடிப்படையில் தேர்வு செய்யவும். எடுத்துக்காட்டாக, தவறான நேர்மறைகள் ஒரு குழுவிற்கு அதிக தீங்கு விளைவித்தால், பிழை-விகித சமநிலையில் (சமப்படுத்தப்பட்ட முரண்பாடுகள்) கவனம் செலுத்துங்கள். [3]

எனக்கு சட்ட மறுஆய்வு தேவையா?
உங்கள் அமைப்பு மக்களின் வாய்ப்புகள் அல்லது உரிமைகளைத் தொட்டால், ஆம். நுகர்வோர் மற்றும் சமத்துவம் சார்ந்த விதிகள் வழிமுறை முடிவுகளுக்குப் பொருந்தும், மேலும் நீங்கள் உங்கள் வேலையைக் காட்ட வேண்டும். [2]

இறுதி குறிப்புகள்: மிக நீளமானது, படிக்கவில்லை 🧾✨

AI சார்பு என்றால் என்ன என்று யாராவது உங்களிடம் கேட்டால் , இதோ ஒரு சிறிய பதில்: AI வெளியீடுகளில் ஏற்படும் முறையான சாய்வுதான் உண்மையான உலகில் நியாயமற்ற விளைவுகளை ஏற்படுத்தும். சூழலுக்கு ஏற்ற அளவீடுகள் மூலம் அதைக் கண்டறிந்து, பல அடுக்கு நுட்பங்கள் மூலம் அதைத் தணித்து, முழு வாழ்க்கைச் சுழற்சியிலும் அதை நிர்வகிக்கிறீர்கள். இது ஒரு பிழை அல்ல - இது ஒரு தயாரிப்பு, கொள்கை மற்றும் மக்கள் கேள்வி, இதற்கு அளவீடு, ஆவணங்கள் மற்றும் பணிவு ஆகியவற்றின் நிலையான டிரம்பீட் தேவைப்படுகிறது. எந்தத் தவறும் இல்லை என்று நினைக்கிறேன்... ஆனால் நல்ல சரிபார்ப்புப் பட்டியல்கள், நேர்மையான சமரசங்கள் மற்றும் சிறந்த பழக்கவழக்கங்கள் உள்ளன. ஆம், சில எமோஜிகள் ஒருபோதும் தீங்கு விளைவிக்காது. 🙂

குறிப்புகள்

1. NIST சிறப்பு வெளியீடு 1270 - செயற்கை நுண்ணறிவில் சார்புகளை அடையாளம் கண்டு நிர்வகிப்பதற்கான ஒரு தரநிலையை நோக்கி . இணைப்பு

2. UK தகவல் ஆணையர் அலுவலகம் - நியாயம், பாரபட்சம் மற்றும் பாகுபாடு பற்றி என்ன? இணைப்பு

3. ஃபேர்லேர்ன் ஆவணப்படுத்தல் - பொதுவான நியாயத்தன்மை அளவீடுகள் (மக்கள்தொகை சமநிலை, சமப்படுத்தப்பட்ட முரண்பாடுகள், அளவுத்திருத்தம்). இணைப்பு

4. பூலாம்வினி, ஜே., & கெப்ரு, டி. (2018). பாலின நிழல்கள்: வணிக பாலின வகைப்பாட்டில் குறுக்குவெட்டு துல்லிய ஏற்றத்தாழ்வுகள் . FAT* / PMLR. இணைப்பு

5. ஐபிஎம் ஆராய்ச்சி - AI ஃபேர்னஸ் 360 (AIF360) அறிமுகம் . இணைப்பு

அதிகாரப்பூர்வ AI உதவியாளர் கடையில் சமீபத்திய AI ஐக் கண்டறியவும்.

எங்களை பற்றி