يسعدنا الإعلان عن الفائزين في VivaTech 2021 لتحدي اليونسكو للتحيز بين الجنسين. Syntho: "bias in = bias out" ونقترح حل الاختلالات في بيانات الإدخال عن طريق موازنة ذلك مع البيانات التركيبية الذكية. في VivaTech ، أظهرنا "ميزة موازنة البيانات" الجديدة الخاصة بنا ، وهي إحدى القيم المضافة الجديدة لدينا ميزات البيانات التركيبية، هذا يأخذ بياناتك إلى المستوى التالي!
VivaTech هو أكبر حدث ناشئ وتقني في أوروبا تم استضافته في 16-19 يونيو 2021. هذا العام ، استضافت المنظمة تجربة هجينة بسبب COVID ، شخصيًا في باريس وعبر الإنترنت في جميع أنحاء العالم ، والتي تجمع مجتمعًا أكبر من المبتكرين.
اليونسكو هي منظمة الأمم المتحدة للتربية والعلم والثقافة. تدافع اليونسكو عن حرية التعبير والوصول إلى المعلومات ، كحق أساسي وشرط أساسي للديمقراطية والتنمية. تعمل اليونسكو كمختبر للأفكار مع الابتكار الرقمي في صميمها ، وتساعد البلدان على تطوير سياسات وبرامج تعزز التدفق الحر للأفكار وتبادل المعرفة لمواجهة تحديات العالم وضمان التنمية المستدامة للجميع.
يهدف تحدي التحيز بين الجنسين إلى تقليل الفجوة الرقمية بين الجنسين من خلال كشف التحيز في الذكاء الاصطناعي. يتغذى الذكاء الاصطناعي على مجموعات البيانات المتحيزة ، مما يضخم التحيز القائم بين الجنسين في مجتمعاتنا. تشير الأدلة إلى أنه بحلول عام 2022 ، ستحقق 85٪ من مشاريع الذكاء الاصطناعي نتائج خاطئة بسبب التحيز إذا لم يكن الذكاء الاصطناعي كتقنية وكقطاع أكثر شمولاً وتنوعاً. كيف يمكننا التأكد من أن مجموعات البيانات أكثر تنوعًا؟ تبحث اليونسكو عن حلول مبتكرة تهدف إلى تقليص الفجوة الرقمية بين الجنسين من خلال كشف التحيز في الذكاء الاصطناعي.
أظهر تقرير اليونسكو الأساسي لعام 2019 أن أدوات المساعدة الصوتية التي تعمل بالذكاء الاصطناعي مثل Alexa و Siri كانت تكرس القوالب النمطية الضارة والإساءة الجنسية الموجهة إلى التكنولوجيا `` المؤنثة '' حتى من قبل شركات التكنولوجيا.
في هذا المثال من اليونسكو ، إذا كان هناك تحيز معين في البيانات ، فسيؤدي ذلك دون مبرر إلى تحيز في المخرجات. ومن ثم ، بياننا: "التحيز في = التحيز خارج". وفي المثال المشترك ، يبدو أن المطورين يعرفون بالفعل بعض الاختلالات والتحيزات في البيانات. لذلك، وكيفية التغلب على هذا؟
يتعين علينا إعادة توازن مجموعة البيانات لحل تحديات تحيز البيانات التي قد تؤدي إلى التمييز في الخوارزميات. كيف يعمل حلنا. في هذا المثال ، هناك تحيز وعدم توازن في البيانات. حيث نتوقع 50٪ ذكور و 50٪ إناث ، نرى فقط 33٪ إناث و 66٪ ذكور. يمكننا حل هذه المشكلة عن طريق إنشاء سجلات بيانات اصطناعية إضافية للإناث أو الذكور لموازنة مجموعة البيانات إلى 50٪ ذكور و 50٪ إناث للتخفيف من التحيزات والاختلالات في البيانات التي قد تؤدي إلى التمييز. هذه هي الطريقة التي نحل بها تحيزات البيانات. نحن نحل المشكلة من جذورها. نحل تحدي "التحيز في = انحياز البيانات".
الاتصال Syntho وسيتواصل معك أحد خبرائنا بسرعة الضوء لاستكشاف قيمة البيانات التركيبية!