UNESCO च्या लिंग पूर्वाग्रह आव्हानासाठी VivaTech 2021 मध्ये विजेते म्हणून घोषित केल्याबद्दल आम्हाला आनंद होत आहे. सिंथो: “बायस इन = बायस आउट” आणि आम्ही इनपुट डेटामधील असंतुलन इंटेलिजेंट सिंथेटिक डेटासह संतुलित करून सोडवण्याचा प्रस्ताव देतो. VivaTech मध्ये, आम्ही आमचे नवीन 'डेटा बॅलन्सिंग वैशिष्ट्य' प्रदर्शित केले, आमच्या नवीन मूल्यवर्धनांपैकी एक कृत्रिम डेटा वैशिष्ट्ये, जे तुमच्या डेटाला पुढील स्तरावर घेऊन जाते!
व्हिवाटेक ही युरोपमधील सर्वात मोठी स्टार्टअप आणि टेक इव्हेंट आहे जी 16-19 जून, 2021 रोजी आयोजित केली गेली आहे. यावर्षी संस्थेने कोविडमुळे संकरित अनुभव आयोजित केला, वैयक्तिकरित्या पॅरिसमध्ये आणि जगभरात ऑनलाइन, जे नवकल्पनाकारांचा आणखी मोठा समुदाय एकत्र आणते.
युनेस्को ही संयुक्त राष्ट्रांची शैक्षणिक, वैज्ञानिक आणि सांस्कृतिक संस्था आहे. युनेस्को अभिव्यक्ती स्वातंत्र्यासाठी आणि माहितीच्या प्रवेशासाठी, एक मूलभूत अधिकार आणि लोकशाही आणि विकासासाठी एक मुख्य अट म्हणून उभा आहे. डिजिटल नावीन्यपूर्ण विचारांच्या प्रयोगशाळा म्हणून काम करताना, युनेस्को देशांना धोरणे आणि कार्यक्रम विकसित करण्यास मदत करते जे जगातील आव्हानांना सामोरे जाण्यासाठी आणि सर्वांसाठी शाश्वत विकास सुनिश्चित करण्यासाठी कल्पना आणि ज्ञानाच्या मुक्त प्रवाहाला प्रोत्साहन देते.
लिंग पूर्वाग्रह आव्हानाचा हेतू AI मधील पूर्वाग्रह उघड करून लिंग डिजिटल विभाजन कमी करणे आहे. एआय पक्षपाती डेटा-सेटवर फीड करते, आपल्या समाजांमध्ये विद्यमान लिंग पूर्वाग्रह वाढवते. पुरावे दर्शवतात की 2022 पर्यंत AI तंत्रज्ञान आणि एक क्षेत्र म्हणून अधिक समावेशक आणि वैविध्यपूर्ण नसल्यास पूर्वाग्रहांमुळे 85% AI प्रकल्प चुकीचे परिणाम देतील. डेटा सेट अधिक वैविध्यपूर्ण आहेत हे आम्ही कसे सुनिश्चित करू शकतो? युनेस्को अभिनव उपाय शोधत आहे ज्याचा उद्देश AI मधील पक्षपात उघड करून लिंग डिजिटल विभाजन कमी करणे आहे.
युनेस्कोच्या २०१ from च्या अहवालात असे दिसून आले आहे की अलेक्सा आणि सिरी सारख्या एआय-समर्थित व्हॉईस सहाय्यक साधने हानिकारक स्टिरियोटाइप कायम ठेवत आहेत आणि 'स्त्री' तंत्रज्ञानाद्वारे निर्देशित लैंगिक अत्याचार टेक कंपन्यांकडून अपेक्षित होते.
युनेस्कोच्या या उदाहरणामध्ये, जर डेटामध्ये काही विशिष्ट पूर्वाग्रह असेल तर ते आउटपुटमध्ये विनाकारण पक्षपात करेल. म्हणूनच, आमचे विधान: 'बायस इन = बायस आउट'. आणि सामायिक केलेल्या उदाहरणामध्ये, डेव्हलपर्सना डेटामधील काही असंतुलन आणि पूर्वाग्रहांबद्दल आधीच माहित होते. तर, यावर मात कशी करावी?
अल्गोरिदममध्ये भेदभाव होऊ शकणाऱ्या डेटा बायस आव्हानांचे निराकरण करण्यासाठी आम्हाला डेटासेटमध्ये पुन्हा संतुलन ठेवावे लागेल. आमचे समाधान कसे कार्य करते. या उदाहरणामध्ये, डेटामध्ये पूर्वाग्रह आणि असंतुलन आहे. जिथे आपण 50% पुरुष आणि 50% महिलांची अपेक्षा करतो, तिथे आपल्याला फक्त 33% महिला आणि 66% पुरुष दिसतात. डेटासेटमध्ये 50% पुरुष आणि 50% स्त्रियांना संतुलित करण्यासाठी भेदभाव आणि डेटामध्ये असंतुलन कमी करण्यासाठी अतिरिक्त सिंथेटिक महिला किंवा पुरुष डेटा रेकॉर्ड तयार करून आम्ही हे सोडवू शकतो ज्यामुळे भेदभाव होऊ शकतो. अशा प्रकारे आम्ही डेटा बायसेस सोडवतो. आम्ही समस्या त्याच्या मुळांद्वारे सोडवतो. आम्ही 'बायस इन = डेटा बायस आउट' आव्हान सोडवतो.
सिंथोशी संपर्क साधा आणि सिंथेटिक डेटाचे मूल्य एक्सप्लोर करण्यासाठी आमचा एक विशेषज्ञ प्रकाशाच्या वेगाने तुमच्याशी संपर्क साधेल!