Why AI Can Be Biased 😳

चलिए हम समझते हैं डेटा में बायसनेस क्या होता है? देखो बायसनेस का मतलब यह है कि जब भी डेटा जो है 1 तरफ गिर जाए। जब भी डेटा 1 तरफ बायस हो जाए। मतलब कि बायस का वादा जब ट्रेडिंग डेटा प्रोवाइड किया जाता है, मान लो 1 मॉडल उस मॉडल को ट्रेन करते टाइम हमने 1 डेटा दिया है जो हाईली 1 तरफ था। मतलब कि हंड्रेड पर्सेंट, मे एटी पर्सेंट जो डेटा था वो यस का था और ट्वेंटी परसेंट नो का। तो तो मॉडल के हाईयर चांसेस है कि वो हर 1 सवाल का जवाब एस में ही देगा। क्यूँ क्यूँकि मॉडल का डेटा जो था वो वाईएस था। अगर डेटा वास हो जाता है तो मॉडल को समझ में नहीं आता। फेयर डिसिजन किस तरीके से ले, एक्यूरेट डिसीजन किस तरीके से और रिलाइबलीवोजोहै प्रेडिक्शन हमेशा 1 साइड ही देता है। मानो आप मूवीज देखते। अब आप ऐसी मूवीज देखते हो जहाँ पर एक्शन मूवीज और आपसे कोई कॉमेडी मूवी के बारे में पूछ या आपने कभी कॉमेडी मूवी देखी ही नहीं। आप कोई भी मूवी आपसे पूछेंगे कि कौन सी मूवी बेस्ट होती है। आप हमेशा कहोगे एक्शन मूवी की बेस्ट होती है? क्यूँ? क्यूंकि आपने कभी एक्सपोजर नहीं लिया? कॉमेडी मूवी का वही चीज होती है डेटा के साथ। जब तक मॉडल को उसका एक्सपोजर नहीं नहीं मिला तब तक कैसे कह सकते हैं कि मॉडल जो है हमें एक्यूरेट प्रोडक्शन करके देगा। एक्युरेट प्रोडक्शन उसी केस में आ सकती है जिस केस में हमने एक्ट्यूरेट डेटा दिया है। हमने वेल बैलेंस डेटा दिया। अगर बायस डेटा दिया है तो हाइयर चांसेज है मॉडल आपका 1 ही तरफ गिरता हुआ आंसर देगा, पार्सलिटी वाला आंसर देगा। इसी केस के लिए हम डेटा के बाएस केस को रिड्यूस करने की कोशिश करते हैं। अब बायसेस काफी सही तरीके से मॉडल को एफेक्ट करती है। फॉर एग्जांपल। अगर मैं बात करूँ अनफेयर प्रोडेक्शन तो ये फर्स्ट कॉस हो गया। उसके बाद कुछ मॉडल जो है लो एक्टेसी देते हैं रियल वर्ल्ड बिकाज ट्रेनिंग इतनी अच्छी नहीं मिल पाई है। तो यह दूसरा काज जो मॉडल को एफेक्ट करता है। तीसरा जनरलाइजेशन ही नहीं होता है उसके अन्दर मतलब कि वो स्पेसिफिक ग्रुप के लिए इकलौता काम कराया जा रहा है। उसके बाद ट्रस्टी शूज बहुत ज्यादा होते हैं ऐसे मॉडल में और लीगली और एक्टिवली प्रॉब्लम बहुत ज्यादा क्रिएट करता है। मतलब फेयरनेस बिल्कुल भी नहीं होती है मॉडल्स में। अगर हमें किसी भी तरीके से मॉडल को वायसलेस को रिड्यूस करना है तो काफी सारे मेथड होते हैं जिसको रिड्यूस करा जा सकता है। सबसे पहले हमें बैलेंस डेटा कलेक्ट करने की जरूरत है न उसको ही सैंपलिंग करने की जरूरत है मतलब कि हमें उसमें देखना पड़ेगा कि क्या डेटा जो है माइनॉरिटी और मेजॉरिटी का सैंपलिंग वर्क कर रहा है या नहीं कर रहा है। उसके बाद बेटर लेबलिंग बहुत जरूरी है। क्योंकि हाई क्वालिटी डेटा अगर नहीं प्रोवाइड करेंगे। मॉडल को तो हमारा वाईएस जी रहेगा मॉडल उसके बाद फेयरनेस कांच न्यूमन रिव्यू। ये सारी चीजें बहुत जरूरी हैं। अगर आप 1 बेटर मॉडल क्रिएट करना चाहते?