Practical Fairness: Lograr modelos de datos justos y seguros

Opiniones de los lectores

Actualmente no hay opiniones de lectores. La calificación se basa en 13 votos.

Título original:

Practical Fairness: Achieving Fair and Secure Data Models

Contenido del libro:

La imparcialidad se está convirtiendo en una consideración primordial para los científicos de datos. Cada vez hay más pruebas de que el despliegue generalizado del aprendizaje automático y la IA en empresas y administraciones públicas está reproduciendo los mismos sesgos que intentamos combatir en el mundo real. Pero, ¿qué significa imparcialidad cuando se trata de código? Este libro práctico aborda las preocupaciones básicas relacionadas con la seguridad y la privacidad de los datos para ayudar a los profesionales de los datos y la IA a utilizar un código justo y libre de prejuicios.

Hoy en día están surgiendo muchas mejores prácticas realistas en todos los pasos del proceso de datos, desde la selección y el preprocesamiento de datos hasta las auditorías de modelos cerrados. La autora, Aileen Nielsen, le guiará a través de los aspectos técnicos, legales y éticos para que el código sea justo y seguro, al tiempo que destaca la investigación académica actualizada y los desarrollos legales en curso relacionados con la imparcialidad y los algoritmos.

⬤ Identificar posibles sesgos y discriminación en los modelos de ciencia de datos.

⬤ Utilizar medidas preventivas para minimizar el sesgo al desarrollar tuberías de modelado de datos.

⬤ Comprender qué componentes de la canalización de datos implican problemas de seguridad y privacidad.

⬤ Escribir código de procesamiento y modelado de datos que implemente las mejores prácticas para la equidad.

⬤ Reconocer las complejas interrelaciones entre equidad, privacidad y seguridad de datos creadas por el uso de modelos de aprendizaje automático.

⬤ Aplicar conceptos normativos y legales relevantes para evaluar la imparcialidad de los modelos de aprendizaje automático.