AI: Training Data & Bias
-
0:07 - 0:12मशीन अभ्यास तेवढाच चांगला असू शकेल
जेवढा चांगला त्यात वापरलेला शिकवणीचा डेटा असेल. -
0:12 - 0:16म्हणूनच, उच्च प्रतीचा डेटा वापरणे आणि
खूपसा डेटा वापरणे दोन्ही फार महत्त्वाच्या बाबी आहेत. -
0:17 - 0:22पण जर डेटा एवढा महत्त्वाचा आहे, तर
शिकवणीचा डेटा कुठून येतो हा प्रश्नसद्धा महत्त्वाचाच आहे. -
0:22 - 0:26अनेकदा, कॉम्प्युटर्स शिकवणीचा डेटा
तुमच्या आणि माझ्यासारख्या लोकांकडूनच घेतात, -
0:26 - 0:28त्यासाठी आपल्याला काही करावे लागत नाही.
-
0:28 - 0:31एखादी व्हिडिओ स्ट्रीमिंग करणारी सेवा
लक्षात ठेवू शकते की तुम्ही काय पाहाता, -
0:32 - 0:36त्या आधारे ती सेवा त्यातील पॅटर्न पाहून तुम्हाला
आणखी काय पाहायला आवडेल हे ठरवू शकते. -
0:37 - 0:43किंवा, तुम्हाला मदत करण्यासाठी विचारले ही जाऊ शकते, जसे जेव्हा एखाद्या वेबसाइटवर
तुम्हाला रस्त्याच्या पाट्या आणि फोटो ओळखायला सांगितले जाते, -
0:44 - 0:49तेव्हा तुम्ही एखाद्या मशीनीला पाहायला शिकवण्यासाठी
किंवा वाहन चालवण्यासाठी सुद्धा शिकवणीचा डेटा देत असता. -
0:52 - 0:56वैद्यकीय शोधकर्ते वैद्यकीय फोटोंना
शिकवणीच्या डेटा प्रमाणे वापरून -
0:57 - 1:00कॉम्प्युटर्सना आजारांची ओळख आणि
निदान कसे करावे ते शिकवू शकतात. -
1:00 - 1:06मशीन अभ्यासासाठी लाखोंच्या संख्येने फोटोंची गरज असते,
तसेच अशा डॉक्टरांकडून शिक्षण दिले गेले पाहिजे -
1:06 - 1:10जे त्या क्षेत्रातील तज्ञ असतील, त्यानंतरच
कॉम्प्युटर आजारांची योग्य ओळख करू शकेल. -
1:11 - 1:16हजारो उदाहरणे दिल्या नंतर सुद्धा,
कॉम्प्युटरने ओळखण्यात चुका होण्याचा संभव असतो. -
1:16 - 1:21जर क्ष-किरणांचा डेटा फक्त पुरुषांचा असला, तर अशी शक्यता असते
की कॉम्प्युटरचे भाकीत फक्त पुरुषांसाठीच बरोबर असेल. -
1:22 - 1:26त्याला जर एखाद्या महिलेचा क्ष-किरणांचा फोटो दाखवला
तर त्याला बहुतेक आजाराची ओळख करता येणार नाही. -
1:27 - 1:31शिकवणीच्या डेटामधील या दोषामुळे
पूर्वाग्रह निर्माण होतो. -
1:31 - 1:36पूर्वाग्रह असलेल्या डेटामुळे काही गोष्टींना
प्राधान्य मिळते आणि इतर गोष्टींवर लक्ष दिले जात नाही. -
1:37 - 1:42शिकवणीचा डेटा कसा गोळा केला आहे, कोणी गोळा केला आहे
आणि तो कसा कॉम्प्युटरमध्ये फीड केला गेला आहे -
1:42 - 1:45यावर ही गोष्ट अवलंबून असते की
त्यात मानवी पूर्वाग्रह शिरले आहेत की नाही. -
1:46 - 1:51पूर्वाग्रह असलेल्या डेटापासून शिकल्याने
कॉम्प्युटर पूर्वाग्रह-दूषित भाकीत करू शकेल, -
1:51 - 1:54कॉम्प्युटरला शिकवीत असलेल्या लोकांना
त्याबद्दल माहिती असो किंवा नसो. -
1:55 - 1:58जेव्हा तुम्ही शिकवणीचा डेटा पाहाता,
तेव्हा स्वतःला दोन प्रश्न विचारा: -
1:59 - 2:02एखाद्या कॉम्प्युटरला अचूकपणे
शिकवण्यासाठी हा डेटा पुरेसा आहे का? -
2:02 - 2:07तसेच, शक्य असलेल्या सर्व परिस्थिती आणि
उपयोगकर्ते पूर्वाग्रहाशिवाय या डेटामध्ये समाविष्ट आहेत का? -
2:07 - 2:11इथेच शिकवणारा एक मानव म्हणून
तुमची भूमिका महत्त्वाची ठरते. -
2:11 - 2:14तुमच्या मशीनीला पूर्वाग्रह-विरहित डेटा देणे
तुमच्यावर अवलंबून आहे. -
2:14 - 2:18याचा अर्थ होतो खूपशा स्रोतांपासून
खूपशी उदाहरणे गोळा करणे. -
2:19 - 2:23लक्षात ठेवा, जेव्हा तुम्ही
मशीन अभ्यासासाठी डेटा निवडता, -
2:23 - 2:27तेव्हा तुम्ही खरेतर प्रोग्रामिंग करीत आहात,
फक्त त्यासाठी कोड ऐवजी डेटा वापरत आहात. -
2:27 - 2:30डेटाच तुमचा कोड आहे.
-
2:30 - 2:35जेवढा चांगला डेटा तुम्ही द्याल,
तुमचा कॉम्प्युटर तेवढाच चांगला शिकेल.
- Title:
- AI: Training Data & Bias
- Description:
-
more » « less
The most important aspect of Machine Learning is what data is used to train it. Find out how training data affects a machine's predictions and why biased data can lead to biased decisions.
Start learning at http://code.org/
Stay in touch with us!
• on Twitter https://twitter.com/codeorg
• on Facebook https://www.facebook.com/Code.org
• on Instagram https://instagram.com/codeorg
• on Tumblr https://blog.code.org
• on LinkedIn https://www.linkedin.com/company/code-org
• on Google+ https://google.com/+codeorg - Video Language:
- English
- Team:
Code.org
- Project:
- How AI Works
- Duration:
- 02:41
|
TranslateByHumans edited Marathi subtitles for AI: Training Data & Bias |