Het datadilemma ontrafelen

Data-bias overwinnen

Konstantinos Kattidis

Data Analytics Lead

Data stuurt besluiten

Data-gedreven besluitvorming heeft wereldwijd sectoren veranderd
Het gebruik van data en AI reikt nu ook tot kritieke domeinen, zoals:
- Sociale rechtvaardigheid
- Selectie van personeel
- Interactieve interfaces zoals virtuele assistenten

Use cases van data-gedreven besluitvorming

Naast deze vooruitgang zijn zorgen ontstaan over bias in deze oplossingen.

CV-screening

Amazon stopte met een model dat geschikte kandidaten voor werk scoorde omdat het mannen bevoordeelde

Ontstaat wanneer data beperkt is en zo een vertekend of oneerlijk beeld geeft van de populatie
Het komt door factoren zoals:
- Onbalans en ondervertegenwoordiging
- Historische vooroordelen
- Cognitieve neigingen
Het schaadt nauwkeurigheid en betrouwbaarheid van data en beperkt de effectiviteit bij besluitvorming

De oorsprong van databias

Amazons model was getraind op cv’s van 10 jaar.
In die periode werden mannen onevenredig vaak aangenomen of bevoordeeld.
Het model raakte bevooroordeeld richting mannelijke kandidaten door historische patronen.
Bias aanpakken vraagt om kritische blik op zowel datakwaliteit als menselijke processen.

Amazon-dozen en cv-screening

Bestrijd de bias

Hoofdstuk 1 - Leer hoe databias beslissingen beïnvloedt en waarom je er rekening mee moet houden bij datagebruik.

Hoofdstuk 2 - Leer de soorten databias bij dataverzameling en hoe je die minimaliseert.

Hoofdstuk 3 - Leer welke bias vaak voorkomt in analyse en bij het delen van resultaten. We behandelen herkennen en beperken van bias.

Data-bias overwinnen