ทำความเข้าใจปัญหาของข้อมูล

การรับมือกับ Data Bias

Konstantinos Kattidis

Data Analytics Lead

ข้อมูลขับเคลื่อนการตัดสินใจ

  • การตัดสินใจที่ขับเคลื่อนด้วยข้อมูล ได้เปลี่ยนแปลงอุตสาหกรรมทั่วโลก

  • ข้อมูลและ AI ได้ขยายบทบาทสู่ด้านสำคัญต่างๆ เช่น:

    • ความยุติธรรมทางสังคม
    • การคัดกรองผู้สมัครงาน
    • อินเทอร์เฟซโต้ตอบ เช่น ผู้ช่วยเสมือน

กรณีการใช้งานการตัดสินใจที่ขับเคลื่อนด้วยข้อมูล

การรับมือกับ Data Bias

การเกิดขึ้นของความลำเอียงในข้อมูล

ควบคู่กับความก้าวหน้าเหล่านี้ เริ่มมีความกังวลเกี่ยวกับ ความลำเอียง ในระบบเหล่านี้

การคัดกรองประวัติย่อ

  • Amazon ปิดตัวโมเดลที่ใช้คัดกรองผู้สมัครงาน เนื่องจากโมเดลเอื้อประโยชน์ให้ผู้สมัครชาย
การรับมือกับ Data Bias

ความลำเอียงในข้อมูลคืออะไร?

  • เกิดขึ้นเมื่อข้อมูลมีความจำกัด ทำให้ภาพของประชากรไม่ถูกต้องหรือไม่ยุติธรรม

  • มีสาเหตุมาจากปัจจัยต่างๆ เช่น:

    • ความไม่สมดุลและการนำเสนอที่ไม่ครบถ้วน
    • อคติทางประวัติศาสตร์
    • แนวโน้มทางความคิด
  • ส่งผลต่อความถูกต้องและความน่าเชื่อถือของข้อมูล ลดทอนประสิทธิภาพในการสนับสนุนการตัดสินใจ

ที่มาของความลำเอียงในข้อมูล

การรับมือกับ Data Bias

กรณีของ Amazon

  • โมเดลของ Amazon ถูกฝึกด้วยประวัติย่อที่ส่งมาตลอดระยะเวลากว่า 10 ปี
  • ในช่วงเวลาดังกล่าว ผู้สมัครชายได้รับการคัดเลือกหรือได้รับความนิยมจากกระบวนการจ้างงานอย่างไม่สมส่วน
  • โมเดลจึงลำเอียงเข้าหาผู้สมัครชายตามรูปแบบการจ้างงานในอดีต
  • การแก้ไขความลำเอียงต้องตรวจสอบทั้งคุณภาพของชุดข้อมูลและกระบวนการของมนุษย์ที่เกี่ยวข้อง

กล่อง Amazon และการคัดกรองประวัติย่อ

การรับมือกับ Data Bias

เกี่ยวกับคอร์สนี้

รับมือกับความลำเอียง

บทที่ 1 - เรียนรู้ผลกระทบของความลำเอียงในข้อมูลต่อการตัดสินใจ และเหตุใดจึงต้องคำนึงถึงเรื่องนี้เมื่อทำงานกับข้อมูล

บทที่ 2 - เรียนรู้ประเภทต่างๆ ของความลำเอียงในข้อมูลระหว่างการเก็บรวบรวม และเทคนิคในการลดความลำเอียง

บทที่ 3 - เรียนรู้ประเภทความลำเอียงที่พบบ่อยในการวิเคราะห์ข้อมูลและการนำเสนอผล พร้อมวิธีระบุและลดความลำเอียง

การรับมือกับ Data Bias

มาฝึกกันเถอะ!

การรับมือกับ Data Bias

Preparing Video For Download...