AI: Training Data & Bias

یادگیری ماشینی تنها به اندازه داده های آموزشی که
درون آن می گذارید خوب است.

بنابراین، بسیار مهم است که از داده های با کیفیت خوب
و داده های بسیار استفاده کرد.

اما اگر داده مهم است، جای دارد بپرسیم که
داده های آموزشی از کجا می آیند؟

کامپیوترها اغلب داده های آموزشی را
از افرادی مثل من و شما جمع می کنند

بدون اینکه از طرف ما تلاشی شود.

یک سرویس پخش ویدئو ممکن است آنچه را
که شما تماشا می کنید ردیابی کند، سپس می تواند

الگوهای موجود در داده را بشناسد تا توصیه کند
شما بعدا ممکن است چه چیزی تماشا کنید.

مواقع دیگر، از شما مستقیما کمک خواسته می شود،
مثل وقتی که یک وبسایت از شما می خواهد علائم خیابان

و تصاویر را شناسایی کنید. در این حال، داده های آموزشی ارائه می کنید
تا به ماشین کمک کنید یاد بگیرد که ببیند و شاید روزی رانندگی کند.

محققان پزشکی می توانند از تصاویر پزشکی
به عنوان داده های آموزشی استفاده کنند

تا به کامپیوترها یاد دهند چگونه
بیماری ها را شناسایی و درمان کنند.

یادگیری ماشینی نیازمند صدها و هزاران تصویر
و مسیر آموزشی از سوی یک پزشک است

که می داند دنبال چه چیزی بگردد،
قبل از اینکه بتواند به درستی بیماری را شناسایی کند.

حتی با وجود هزاران مثال، ممکن است
پیش بینی های کامپیوتر مشکلاتی داشته باشد.

اگر اشعه ایکس فقط از مردان جمع شده باشد، بنابراین
پیش بینی کامپیوتر ممکن است فقط برای مردان کار کند.

ممکن است وقتی از آن خواسته می شود اشعه ایکس زنان را
شناسایی کند نتواند بیماری را شناسایی کند.

نقطه کور در داده های آموزشی باعث چیزی می شود
که سوگیری نام دارد.

داده های سودار از چیزی دفاع می کنند، و چیزهای
دیگر را خارج و بی اهمیت می سازند.

بسته به اینکه داده های آموزشی چگونه جمع شده اند
چه کسی آنها را جمع کرده و چگونه تغذیه می شوند

این احتمال هست که سوگیری انسان وارد
داده ها شود.

کامپیوتربا یادگیری از داده های سودار، ممکن است
پیش بینی های سودار بکند

چه افراد آموزنده کامپیوتر از آن آگاه باشند یا نباشند.

وقتی که به داده های آموزشی نگاه می کنید، از خودتان دو سوال بپرسید:

آیا این داده ها برای آموزش دقیق یک کامپیوتر
کافی هستند؟

و آیا این داده ها همه حالتها و کاربران ممکن را
بدون سوگیری نمایندگی می کند؟

اینجاست که شما، به عنوان آموزش دهنده انسانی، نقش مهمی
ایفا می کنید.

این منوط به شماست که به ماشین خود
داده های غیرسودار بدهید.

که به معنای جمع کردن هزاران مثال از منابع بسیار است.

به یاد داشته باشید، وقتی که داده هایی برای یادگیری ماشینی
جمع و انتخاب می کنید،

شما درواقع دارید با استفاده از داده های آموزشی
به جای کدها، به الگوریتمها برنامه می دهید

این داده ها کد هستند.

هرچه داده هایی که ارائه می کنید بهتر باشد،
کامپیوتر بهتر یاد می گیرد.