အထူးဧည့်သည်တော် feature တွင် Shaip ၏ CEO နှင့် ပူးတွဲတည်ထောင်သူ Vatsal Ghiya သည် machine learning တွင် ဘက်လိုက်မှုဆိုင်ရာ ထိုးထွင်းသိမြင်မှုအချို့ကို မျှဝေခဲ့သည်။ ထို့အပြင်၊ AI တွင် ဘက်လိုက်မှုများနောက်ကွယ်ရှိ အကြောင်းရင်းနှင့် AI/ML မော်ဒယ်များတွင် ဘက်လိုက်မှုများကို ဖယ်ရှားနည်းတို့ကိုလည်း အလေးပေးဖော်ပြခဲ့သည်။
ဆောင်းပါးမှ အဓိက နုတ်ထွက်ခြင်းများမှာ-
- စားသောက်ဆိုင် အကြံပြုချက်များမှ ဝန်ဆောင်မှု လက်မှတ်ဖြေရှင်းခြင်းအထိ၊ AI chatbot ကို ကျန်းမာရေးစောင့်ရှောက်မှု၊ ဘဏ်လုပ်ငန်းနှင့် ဘဏ္ဍာရေးနှင့် လစာကွာဟချက်များအား ပြင်ဆင်ခြင်းစသည့် လုပ်ငန်းများတွင် ပိုမို ကောင်းမွန်စွာ အသုံးပြုလာပါသည်။ အသုံးပြုမှု အများအပြားဖြင့် မလွှဲမရှောင်သာ ဖြစ်လာသည်မှာ လုပ်ငန်းစဉ်တစ်ခုလုံးနှင့် ဆက်စပ်နေသည့် တရားမျှတမှုဖြစ်သည်။
- AI မော်ဒယ်လ်တွင် ဘက်လိုက်မှုသည် AI ကျွမ်းကျင်သူများသည် အချို့သော စိတ်သဘောထားများနှင့် နှစ်သက်မှုများဖြင့် ဒေတာပမာဏများကို ကျွေးမွေးသည့် လေ့ကျင့်မှုအဆင့်များအတွင်း ဖြစ်ပေါ်သည်။ အထူးသဖြင့် ဘက်လိုက်မှု နှစ်မျိုးရှိပြီး ပထမအချက်မှာ ဘက်လိုက်မှု နှင့် ဒုတိယအချက်မှာ ဒေတာမရှိခြင်းကြောင့် ဖြစ်ပေါ်သည့် ဘက်လိုက်မှုများဖြစ်သည်။
- သို့သော် သတင်းကောင်းမှာ အချိန်နှင့်တပြေးညီ ဒေတာစောင့်ကြည့်ခြင်းနှင့် ကိုယ်စားပြုဒေတာမော်ဒယ်များနှင့်အတူ မှန်ကန်သောဒေတာအစုအဝေးကို အသုံးပြုခြင်းဖြင့် AI မော်ဒယ်များတွင် ဘက်လိုက်မှုများကို ဖယ်ရှားပစ်နိုင်သည်ဟု သတင်းကောင်းဖြစ်သည်။ ကျွန်ုပ်တို့၏နေ့စဉ်ဘဝများကို လွှမ်းမိုးထားသောကြောင့် အရည်အသွေးကို ထိန်းသိမ်းရန် ကျွန်ုပ်တို့၏ထည့်သွင်းမှုများကို ဂရုပြုရန် အရေးကြီးပါသည်။
ဒီမှာအပြည့်အဝဆောင်းပါးဖတ်ရန်:
https://datafloq.com/read/how-to-handle-bias-in-machine-learning/
