การตรวจสอบความถูกต้องของข้อมูล

การจัดการข้อมูล AI อย่างรับผิดชอบ

Maria Prokofieva

Lead ML engineer

หัวข้อที่จะเรียน

การตรวจสอบความถูกต้องของข้อมูล
มิติความรับผิดชอบ
ที่ปรึกษาทางการเงิน AI

validation

การตรวจสอบความถูกต้องของข้อมูล

แนวทางที่ละเอียดยิ่งขึ้น
ตรวจสอบความสมบูรณ์ทางเทคนิคของข้อมูล
ตรวจสอบความเป็นธรรม

data validation

ความสมบูรณ์ทางเทคนิค

ข้อมูลครบถ้วน
ไม่มีข้อมูลซ้ำ ผิดพลาด หรือล้าสมัย
ถูกต้องตามกฎหมาย
ตรวจสอบความถูกต้อง ความสอดคล้อง ความครบถ้วน และความทันเวลา

มิติข้อมูลที่รับผิดชอบ

ที่ปรึกษาทางการเงิน: ความสมบูรณ์ทางเทคนิค

ความคลาดเคลื่อนและความผิดปกติในข้อมูล
การกำหนดฟิลด์ที่ไม่ถูกต้อง
ตรวจพบและแก้ไขตั้งแต่เนิ่น ๆ

ตัวอย่างหมวดหมู่ที่ไม่ถูกต้อง

ที่ปรึกษาทางการเงิน: ความสมบูรณ์ทางเทคนิค

ความผิดปกติในช่วงเวลาและวิธีการเก็บข้อมูล
ความเหลื่อมล้ำทางเศรษฐกิจในแต่ละภูมิภาค
ไม่ได้ปรับให้เหมาะกับผู้ใช้ทุกกลุ่ม

ความผิดปกติในวิธีการเก็บข้อมูล

การประเมินความเป็นธรรม

โอกาสที่เท่าเทียม
ผลกระทบที่แตกต่าง
ความเสมอภาคทางประชากร
ใช้กับทุกขั้นตอนของโปรเจกต์

ที่ปรึกษาทางการเงิน:

ทุกคนได้รับคำแนะนำที่เหมาะสมและเป็นประโยชน์
คำแนะนำสม่ำเสมอในทุกกลุ่มประชากร
ไม่มีกลุ่มใดได้รับผลกระทบมากเกินสัดส่วน

แนวทางการตรวจสอบความถูกต้องของข้อมูล

ระบุตัวแปรหลัก
วิเคราะห์การกระจายของข้อมูล
ทำความสะอาดข้อมูลและใช้การทดสอบทางสถิติ
สร้างสมดุลให้ข้อมูล
ตรวจสอบเมตริกความเป็นธรรม
ทดสอบโมเดลด้วยชุดข้อมูลที่หลากหลาย

ที่ปรึกษาทางการเงิน

advisor logo

ลบค่าผิดปกติและเติมค่าที่หายไป
ตรวจสอบด้วยสถิติเชิงพรรณนาก่อนและหลัง
Oversample กลุ่มรายได้น้อย
ตรวจสอบประสิทธิภาพโมเดลและเมตริกความเป็นธรรม
Cross-validation แบบ stratification
ทดสอบกับข้อมูล "unseen"

มาฝึกกันเถอะ!

การจัดการข้อมูล AI อย่างรับผิดชอบ

Preparing Video For Download...