Kokiais būdais mašininio mokymosi modelių šališkumas, pvz., randamas kalbų generavimo sistemose, pvz., GPT-2, gali išsaugoti visuomenės išankstinius nusistatymus ir kokių priemonių galima imtis norint sušvelninti šį šališkumą?
Antradienis, 11 birželis 2024. by EITCA akademija
Mašininio mokymosi modelių šališkumas, ypač kalbų generavimo sistemose, pvz., GPT-2, gali labai sustiprinti visuomenės išankstines nuostatas. Šis šališkumas dažnai kyla dėl duomenų, naudojamų šiems modeliams rengti, kurie gali atspindėti esamus visuomenės stereotipus ir nelygybę. Kai tokie paklaidai yra įterpti į mašininio mokymosi algoritmus, jie gali pasireikšti įvairiais būdais ir sukelti
- paskelbta Dirbtinis intelektas, EITC/AI/ADL pažangus giluminis mokymasis, Atsakinga naujovė, Atsakingos naujovės ir dirbtinis intelektas, Egzamino peržiūra
Tagged pagal: Dirbtinis intelektas, Šališkumo mažinimas, GPT-2, Kalbos modeliai, Mašininis mokymasis, Atsakingas AI