Limitările surselor de date

Gestionarea responsabilă a datelor în AI

Maria Prokofieva

Lead ML Engineer

Sursele de date și limitările comune

Conformitate legală
Bias
Metodologie
Rolul cunoștințelor de domeniu

Limitări legale și de acces

Utilizare restricționată a datelor pentru anumite tipuri de proiecte
Conformitate suplimentară
Costuri prohibitive

Conformitate date

¹ Imagine de Streamline HQ

Bias în sursele de date

Erori sistematice
Percepții distorsionate
Rezultate inegale
Dezavantajarea unor grupuri

Tipuri de bias

Bias istoric:
- Tipare și rezultate irelevante
Bias de selecție:
- Alegerea punctelor de date incluse
Bias de eșantionare
- Metoda utilizată pentru eșantionare

Scală de bias

¹ Imagine de Streamline HQ

Limitări bazate pe bias și origine

Acoperire limitată a datelor
Constrângeri culturale și geografice
Domeniu de aplicare și includere restrânse

Grup de persoane

Limitări bazate pe bias și metodologie

Alegerea metodelor de colectare a datelor
Abordări de eșantionare

Mâini multicolore cu palmele deschise, ridicate

Cunoștințe de domeniu

Limitări sau bias-uri ascunse
Implicarea experților din domeniu de la început
Atenuarea limitărilor înainte de modelare

Proiect de flux urban al traficului

Surse de date:

Date de numărare a traficului
Note ale ședințelor consiliului municipal
Date de urmărire GPS

Proiect de flux urban al traficului

¹ Imagini de Streamline HQ

Proiect de flux urban al traficului

Date istorice de numărare a traficului:

Bias istoric
Configurații urbane anterioare

Date din procesele-verbale:

Bias de selecție
Reprezentare disproporționată a unor membri ai comunității

date trafic

¹ Imagini de Streamline HQ

Proiect de flux urban al traficului

Date de urmărire GPS:

Bias de eșantionare și selecție
Poate să nu reprezinte toți navețiștii

gps

¹ Imagine de Streamline HQ

Să exersăm!

Gestionarea responsabilă a datelor în AI

Preparing Video For Download...