解开数据难题

征服数据偏差

Konstantinos Kattidis

Data Analytics Lead

数据驱动的决策

  • 数据驱动决策正在重塑全球各行业

  • 数据与人工智能的采用已扩展至关键领域：

    • 社会公正
    • 招聘筛选
    • 虚拟助手等交互式界面

数据驱动决策的用例

征服数据偏差

数据偏见的出现

随着这些进步，人们也开始担忧这些方案中存在的偏见。

简历筛选

  • 亚马逊关闭了其用于评估求职者适配度的模型，因为它偏好男性候选人
征服数据偏差

什么是数据偏见？

  • 当数据或信息有限时，会呈现失真或不公平的人群画像，从而产生偏见

  • 其成因包括：

    • 不平衡与代表性不足
    • 历史偏见
    • 认知偏差

  • 它会削弱数据的准确性与可靠性，降低其在支持决策方面的效果

数据偏见的来源

征服数据偏差

亚马逊案例

  • 亚马逊的模型基于 10 年间提交的简历训练。
  • 其间，招聘流程对男性候选人不成比例地偏好或录用。
  • 历史招聘模式导致模型偏向男性。
  • 解决数据偏见需同时审视数据集质量与相关人工流程。

亚马逊包裹与简历筛选

征服数据偏差

课程简介

克服偏见

第 1 章——了解数据偏见对决策的影响，以及在处理数据时为何必须考虑偏见。

第 2 章——学习数据收集中的各类偏见，并掌握降低偏见的做法。

第 3 章——了解数据分析和结果分享中常见的偏见类型，学习如何识别与减轻偏见。

征服数据偏差

让我们来练习！

征服数据偏差

Preparing Video For Download...