Batasan machine learning

Memahami Machine Learning

Sara Billen

Curriculum Manager, DataCamp

Kualitas data

Sampah masuk sampah keluar

  • Sampah masuk, sampah keluar
  • Kualitas keluaran bergantung pada kualitas masukan
Memahami Machine Learning

Ketika bisa berakhir sangat buruk

Alat rekrutmen Amazon yang bias gender

Robot melihat orang dengan kaca pembesar

  • Perangkat lunak rekrutmen untuk meninjau resume
  • Memihak pria karena belajar dari data historis saat lebih banyak pria direkrut
  • Menurunkan nilai resume yang
    • berisi kata "women"
    • menyiratkan pelamar adalah perempuan
Memahami Machine Learning

Ketika bisa berakhir sangat buruk

Chatbot AI Microsoft

Akun Twitter Tay

Contoh tweet Tay

Memahami Machine Learning

Waspada

tanda peringatan

  • Jangan membabi buta percaya model Anda
  • Kesadaran adalah kuncinya
  • Perhatikan data Anda

$$

Model machine learning hanya sebaik data yang Anda berikan

Memahami Machine Learning

Jaminan kualitas

  • Data berkualitas memerlukan:
    • Analisis data
    • Tinjauan outlier
    • Keahlian domain
    • Dokumentasi

kaca pembesar di atas data

Memahami Machine Learning

Keterjelasan

Memahami Machine Learning

Keterjelasan

  • Transparansi untuk meningkatkan kepercayaan, kejelasan, dan pemahaman
  • Kasus penggunaan: adopsi bisnis, pengawasan regulasi, meminimalkan bias
Memahami Machine Learning

AI yang dapat dijelaskan

Kotak hitam

  • Deep learning
  • Lebih baik untuk "Apa?"
  • Prediksi sangat akurat

AI yang dapat dijelaskan

  • Machine learning tradisional
  • Lebih baik untuk "Mengapa?"
  • Dapat dipahami manusia
Memahami Machine Learning

Contoh: AI yang dapat dijelaskan

pasien diabetes

  1. Prediksi: Akankah pasien terkena diabetes?
  2. Inferensi: Mengapa hal ini terjadi
Memahami Machine Learning

Contoh: AI yang tak dapat dijelaskan

Tulisan tangan

Hanya prediksi: Huruf apa ini kemungkinan besar?

Memahami Machine Learning

Ayo berlatih!

Memahami Machine Learning

Preparing Video For Download...