Řešení dilematu dat

Jak zvládnout datové zkreslení

Konstantinos Kattidis

Data Analytics Lead

Data jako základ rozhodování

Rozhodování založené na datech změnilo odvětví po celém světě
Využití dat a umělé inteligence se rozšířilo do klíčových oblastí, jako jsou:
- Sociální spravedlnost
- Výběr zaměstnanců
- Interaktivní rozhraní, např. virtuální asistenti

Příklady využití rozhodování založeného na datech

Spolu s těmito pokroky se objevily obavy ohledně přítomnosti zkreslení v těchto řešeních.

Screening životopisů

Amazon zastavil model hodnotící vhodné kandidáty na pracovní pozice, protože upřednostňoval mužské uchazeče

Vzniká, když jsou data omezená a nepřesně nebo nespravedlivě zobrazují danou populaci
Vyplývá z různých faktorů, například:
- Nerovnováhy a nedostatečného zastoupení
- Historických předsudků
- Kognitivních tendencí
Snižuje přesnost a spolehlivost dat, čímž omezuje jejich využitelnost pro rozhodovací procesy

Původ datového zkreslení

Model Amazonu byl trénován na životopisech zaslaných za 10 let.
V tomto období byli mužští kandidáti nepřiměřeně přijímáni nebo upřednostňováni.
Model byl kvůli historickým vzorcům přijímání nakloněn mužským uchazečům.
Řešení datového zkreslení vyžaduje pečlivé prověření kvality datové sady i lidských procesů.

Krabice Amazonu a screening životopisů

Překonání zkreslení

Kapitola 1 – Zjistěte, jaký vliv má datové zkreslení na rozhodování a proč je důležité jej zohledňovat při práci s daty.

Kapitola 2 – Seznamte se s různými typy datového zkreslení při sběru dat a naučte se techniky pro jeho minimalizaci.

Kapitola 3 – Prozkoumejte typy datového zkreslení při analýze a sdílení výsledků. Zaměříme se na identifikaci a zmírnění zkreslení.

Jak zvládnout datové zkreslení