अधिक उद्योगहरूले सञ्चालनहरू स्वचालित गर्न र छनौटहरू गर्न एल्गोरिदमको शक्ति प्रयोग गर्दा, मेसिन लर्निङ समकालीन संसारले कसरी सञ्चालन गर्छ भन्ने कुराको महत्त्वपूर्ण भाग बनिरहेको छ।
मेसिन लर्निङ मोडेलहरू विभिन्न संस्थाहरूको निर्णय प्रक्रियाहरूमा एकीकृत हुँदा मेसिन लर्निङमा पूर्वाग्रहको मुद्दालाई ध्यानमा राख्नु महत्त्वपूर्ण हुन्छ।
एल्गोरिदमहरूद्वारा उत्पन्न गरिएका छनौटहरू निष्पक्ष र पूर्वाग्रहरहित छन् भन्ने ग्यारेन्टी गर्न मेसिन लर्निङ मोडेलहरू प्रयोग गर्ने कुनै पनि संस्थाको लक्ष्य हुनुपर्छ। मोडेल आउटपुटहरूमा भर पर्न र निष्पक्ष रूपमा देख्न सकिन्छ भनेर सुनिश्चित गर्न, यो पहिचान र सम्बोधन गर्न महत्त्वपूर्ण छ। मेशिन सिकाइ पूर्वाग्रह
यो मोडेलको व्याख्यायोग्यताका प्रश्नहरूसँग सम्बन्धित छ, वा मेसिन लर्निङ मोडेल कसरी निष्कर्षमा पुग्यो भन्ने कुरा व्यक्तिलाई बुझ्न कत्तिको सजिलो छ। मेसिन लर्निङ मोडेलले नक्सा र सिक्ने प्रवृत्ति र ढाँचाहरू प्रत्यक्ष मानव विकासको माध्यमबाट नभई डाटाबाटै आउँछन्।
मेसिन लर्निङमा पूर्वाग्रह विभिन्न कारणहरूले देखा पर्न सक्छ यदि यसलाई नियन्त्रण र जाँच गरिएन भने। जब एक मोडेल तैनात गरिन्छ, यसले प्रायः परिस्थितिहरूको सामना गर्दछ जुन प्रशिक्षण डेटा नमूनामा ठीकसँग प्रतिबिम्बित हुँदैन।
मोडेल डेटा को यो गैर प्रतिनिधि प्रशिक्षण सेट को लागि overfitting हुन सक्छ। प्रशिक्षण डेटाको उत्कृष्ट गुणस्तरको बावजुद, मोडेल अझै पनि व्यापक सांस्कृतिक प्रभावहरूको परिणामस्वरूप ऐतिहासिक पूर्वाग्रहबाट प्रभावित हुन सक्छ।
एक पटक लागू भएपछि, एक पक्षपाती मोडेलले निश्चित समूहहरूलाई समर्थन गर्न सक्छ वा विशेष डेटा उपसेटहरूसँग शुद्धता गुमाउन सक्छ। यसले निर्णयहरू हुन सक्छ जसले व्यक्तिहरूको निश्चित समूहलाई अनुचित रूपमा सजाय दिन्छ, जसले वास्तविक संसारमा नकारात्मक प्रभाव पार्न सक्छ।
यो लेखले मेसिन लर्निङ पूर्वाग्रह के हो, यसलाई कसरी पत्ता लगाउने, यसले निम्त्याउने खतराहरू र अन्य धेरै कुराहरू समावेश गर्दछ।
त्यसोभए, मेसिन लर्निङ पूर्वाग्रह के हो?
मेसिन लर्निङ प्रक्रियाको क्रममा गरिएका गलत अनुमानहरूको परिणामस्वरूप व्यवस्थित रूपमा पक्षपाती हुने आउटपुटहरू उत्पादन गर्ने एल्गोरिदमलाई मेसिन लर्निङ पूर्वाग्रह भनिन्छ, जसलाई एल्गोरिदम पूर्वाग्रह वा AI पूर्वाग्रह पनि भनिन्छ।
मेसिन लर्निङ पूर्वाग्रह भनेको डेटाको एक विशेष सेट वा डेटाको सबसेटलाई समर्थन गर्ने मोडेलको प्रवृत्ति हो; यो प्रायः गैर-प्रतिनिधि प्रशिक्षण डेटासेटहरू द्वारा ल्याइएको छ। डेटाको एक निश्चित संग्रहको साथ, एक पक्षपाती मोडेलले कम प्रदर्शन गर्नेछ, जसले यसको शुद्धतालाई हानि पुर्याउँछ।
वास्तविक-विश्व सेटिङमा, यसले पक्षपाती प्रशिक्षण डेटाले कुनै निश्चित जाति, जनसांख्यिकीय वा लिङ्गको पक्षमा मोडेलको आउटपुटको परिणाम दिएको संकेत गर्न सक्छ।
नतिजाको रूपमा, मेशिन शिक्षाको आउटपुटहरू अन्यायपूर्ण वा भेदभावपूर्ण हुन सक्छ। गैर-प्रतिनिधि प्रशिक्षण डेटासेटहरूले पूर्वाग्रहमा योगदान दिन सक्छ मेसिन लर्निङमा।
नतिजा मोडेल अन्य, कम प्रतिनिधित्व कोटिहरु प्रति पूर्वाग्रही हुन सक्छ यदि प्रशिक्षण डेटा को कमी छ वा एक विशेष डेटा समूह को अत्यधिक प्रतिनिधि। यदि प्रशिक्षण डेटा नमूना वास्तविक-विश्व परिनियोजन वातावरणसँग मेल खाँदैन भने यो हुन सक्छ।
हेल्थकेयर उद्योगमा मेसिन लर्निङ, जुन ज्ञात रोगहरू वा रोगहरू विरुद्ध बिरामी डेटा जाँच गर्न प्रयोग गर्न सकिन्छ, एक प्रमुख उदाहरण हो। मोडेलहरूले चिकित्सा चिकित्सकहरूको हस्तक्षेपलाई गति दिन सक्छन् जब तिनीहरू उचित रूपमा प्रयोग गरिन्छ।
यद्यपि, पूर्वाग्रह सम्भव छ। पुरानो रोगीमा सम्भावित रोगको भविष्यवाणी गर्न सोध्दा, एक मोडेलले राम्रो प्रदर्शन गर्न सक्दैन यदि यसलाई निर्माण गर्न प्रयोग गरिएको प्रशिक्षण डेटामा प्रायः सानो उमेर दायराबाट बिरामी डेटा समावेश हुन्छ।
थप रूपमा, ऐतिहासिक तथ्याङ्कहरू बेवास्ता गर्न सकिन्छ। उदाहरणका लागि, किनभने ऐतिहासिक रूपमा, अधिकांश कर्मचारीहरू पुरुष थिए, जागिरका उम्मेद्वारहरूलाई फिल्टर गर्न प्रशिक्षित मोडेलले पुरुष आवेदकहरूलाई समर्थन गर्नेछ।
मेशिन लर्निङ पूर्वाग्रहले दुबै परिदृश्यहरूमा मोडेलको शुद्धतामा प्रभाव पार्नेछ, र सबैभन्दा खराब परिस्थितिहरूमा, यसले भेदभाव र अन्यायपूर्ण निष्कर्षमा पुग्न सक्छ।
कुनै पूर्वाग्रह छैन भनेर सुनिश्चित गर्न निर्णयहरू सावधानीपूर्वक समीक्षा गर्नुपर्छ मेशिन शिक्षा मोडेलहरु अधिक र अधिक म्यानुअल अपरेशनहरू बदल्नुहोस्। नतिजाको रूपमा, कुनै पनि संस्थामा मोडेल शासन अभ्यासहरूले मेसिन लर्निङ पूर्वाग्रहको लागि निगरानी समावेश गर्नुपर्छ।
विभिन्न उद्योगहरूमा धेरै प्रकारका कामहरू मेसिन लर्निङ मोडेलहरूद्वारा पूरा भइरहेका छन्। आज, मोडेलहरू बढ्दो कठिन प्रक्रियाहरू स्वचालित गर्न र सुझावहरू उत्पन्न गर्न प्रयोग गरिन्छ। यस निर्णय प्रक्रियामा, पूर्वाग्रहको अर्थ हो कि मोडेलले एक विशेष समूहलाई सिकेको पूर्वाग्रहको आधारमा अर्को समूहलाई समर्थन गर्न सक्छ।
जब वास्तविक परिणामहरूको साथ असुरक्षित निर्णयहरू गर्न प्रयोग गरिन्छ, यसले गम्भीर परिणामहरू निम्त्याउन सक्छ। जब ऋण आवेदनहरू स्वचालित रूपमा स्वीकृत गर्न प्रयोग गरिन्छ, उदाहरणका लागि, एक पक्षपाती मोडेलले निश्चित जनसंख्यालाई पूर्वाग्रह दिन सक्छ। विनियमित व्यवसायहरूमा जहाँ कुनै पनि कार्यहरू निरीक्षण वा छानबिन गर्न सकिन्छ, यो खातामा लिनको लागि विशेष रूपमा महत्त्वपूर्ण कारक हो।
मेसिन लर्निङ पूर्वाग्रह प्रकारहरू
- एल्गोरिदम पूर्वाग्रह - यो तब हुन्छ जब एल्गोरिदममा बग हुन्छ जसले मेसिन लर्निङ कम्प्युटेशनहरू चलाउने गणना गर्दछ।
- नमूना पूर्वाग्रह - जब डाटा प्रयोग गरिन्छ मेसिन लर्निङलाई तालिम दिनुहोस् मोडेलमा समस्या छ, यो हुन्छ। यस प्रकारको पूर्वाग्रहको अवस्थामा, प्रणालीलाई तालिम दिन प्रयोग गरिएको डाटाको मात्रा वा गुणस्तर अपर्याप्त हुन्छ। एल्गोरिदमलाई सबै शिक्षक महिला हुन् भनी विश्वास गर्न तालिम दिइनेछ यदि, उदाहरणका लागि, तालिम डेटा पूर्णतया महिला शिक्षकहरू मिलेर बनेको छ।
- बहिष्कार पूर्वाग्रह - यो तब हुन्छ जब एक महत्वपूर्ण डाटा पोइन्ट प्रयोग गरिँदै डाटाको सेटबाट अनुपस्थित हुन्छ, जुन मोडेलरहरूले हराएको डाटा बिन्दुको महत्त्व महसुस गर्न असफल भएमा हुन सक्छ।
- पूर्वाग्रह पूर्वाग्रह - यस उदाहरणमा, मेसिन लर्निङ आफैंमा पक्षपाती छ किनभने प्रणालीलाई तालिम दिन प्रयोग गरिएको डाटाले पूर्वाग्रह, स्टिरियोटाइपहरू, र गलत सामाजिक मान्यताहरू जस्ता वास्तविक-विश्व पूर्वाग्रहहरू प्रतिबिम्बित गर्दछ। उदाहरणका लागि, यदि पुरुष चिकित्सक र महिला नर्सहरू मात्र समावेश भएको कम्प्युटर प्रणालीमा चिकित्सा पेशेवरहरूको डेटा समावेश गरिनु पर्ने हो भने, स्वास्थ्यकर्मीहरूको बारेमा वास्तविक-विश्व लैङ्गिक स्टिरियोटाइप कायम हुनेछ।
- मापन पूर्वाग्रह - नामले संकेत गरेझैं, यो पूर्वाग्रह डेटाको गुणस्तर र यसलाई सङ्कलन वा मूल्याङ्कन गर्न प्रयोग गरिएका विधिहरूका आधारभूत समस्याहरूको परिणाम हो। तौलको ठ्याक्कै आकलन गर्न प्रशिक्षित प्रणाली पक्षपाती हुनेछ यदि प्रशिक्षण डेटामा समावेश तौलहरू लगातार राउन्ड अप गरियो भने, र कार्यस्थलको वातावरण मूल्याङ्कन गर्नको लागि प्रणालीलाई तालिम दिन सन्तुष्ट कर्मचारीहरूको छविहरू प्रयोग गर्नु पक्षपाती हुन सक्छ यदि चित्रहरूमा रहेका कर्मचारीहरूलाई थाहा छ भने। तिनीहरू खुशीको लागि नापिरहेका थिए।
मेसिन लर्निङमा पूर्वाग्रहमा कुन कारकहरूले योगदान गर्छ?
मेसिन लर्निङ पूर्वाग्रहका धेरै कारणहरू भए पनि, यो प्रायः प्रशिक्षण डेटामा नै पूर्वाग्रहबाट उत्पन्न हुन्छ। प्रशिक्षण डेटामा पूर्वाग्रहको लागि धेरै सम्भावित आधारभूत कारणहरू छन्।
सबैभन्दा स्पष्ट दृष्टान्त प्रशिक्षण डेटा हो, जुन डिप्लोइड प्रणालीमा देखिएका सर्तहरूको एक उपसेट हो जुन सामान्य छैन। यो एक श्रेणीको कम प्रतिनिधित्व वा अर्कोको असमान मात्रा संग प्रशिक्षण डेटा हुन सक्छ।
यसलाई नमूना पूर्वाग्रहको रूपमा चिनिन्छ, र यो गैर-अनियमित प्रशिक्षण डेटा सङ्कलनबाट परिणाम हुन सक्छ। डेटा सङ्कलन, विश्लेषण, वा वर्गीकरण गर्न प्रयोग गरिने विधिहरू, साथै डेटाको ऐतिहासिक जराहरू, सबै डेटामा पूर्वाग्रहको नेतृत्व गर्न सक्छन्।
यो जानकारी एकत्रित भएको ठूलो संस्कृतिमा ऐतिहासिक रूपमा पक्षपाती हुन सक्छ।
मेसिन लर्निङ पूर्वाग्रह प्रायः निम्न कारणले गर्दा हुन्छ:
- एल्गोरिदमहरू प्रशिक्षित गर्नको लागि ऐतिहासिक डेटामा मानव वा समाजको कारणले पूर्वाग्रहहरू प्रयोग गरिन्छ।
- प्रशिक्षण डेटा जसले वास्तविक-विश्व परिस्थितिहरू प्रतिबिम्बित गर्दैन।
- पर्यवेक्षित मेसिन लर्निङका लागि डाटा लेबल वा तयारी गर्दा पूर्वाग्रह।
उदाहरणका लागि, प्रशिक्षण डेटामा विविधताको कमीले प्रतिनिधित्व पूर्वाग्रहको कारण हुन सक्छ। मेसिन लर्निङ मोडेलहरूको शुद्धतालाई व्यापक संस्कृतिमा ऐतिहासिक पूर्वाग्रहले बारम्बार असर गर्छ।
यसलाई कहिलेकाहीँ सामाजिक वा मानव पूर्वाग्रह भनिन्छ। सामाजिक पूर्वाग्रहको प्रवण नहुने डाटाको विशाल सङ्कलन खोज्नु चुनौतीपूर्ण हुन सक्छ। मेसिन लर्निङ लाइफसायकलको डाटा प्रोसेसिङ चरण मानव पूर्वाग्रहको लागि समान रूपमा संवेदनशील छ।
डाटा वैज्ञानिक वा अन्य विशेषज्ञ द्वारा लेबल गरिएको र प्रशोधन गरिएको डाटा पर्यवेक्षित मेसिन लर्निंगको लागि आवश्यक छ। चाहे यो सफा गरिएको डाटाको विविधताबाट उत्पन्न हुन्छ, डाटा पोइन्टहरू लेबल गर्ने तरिका, वा सुविधाहरूको छनोट, यस लेबलिङ प्रक्रियामा पूर्वाग्रहले मेसिन लर्निङमा पूर्वाग्रह ल्याउन सक्छ।
मेसिन लर्निङ पूर्वाग्रह जोखिम
मोडेलहरू डाटा-संचालित निर्णय-निर्धारण उपकरणहरू हुनाले, तिनीहरूले निष्पक्ष निर्णयहरू प्रदान गर्छन् भनेर मानिन्छ। मेसिन लर्निङ मोडेलहरूमा प्राय: पूर्वाग्रह हुन्छ, जसले परिणामहरूलाई असर गर्न सक्छ।
अधिक र अधिक उद्योगहरूले पुरानो सफ्टवेयर र प्रक्रियाहरूको सट्टा मेसिन शिक्षा लागू गर्दैछन्। पक्षपाती मोडेलहरूले वास्तविक संसारमा नकारात्मक प्रभाव पार्न सक्छ जब अधिक जटिल कार्यहरू मोडेलहरू प्रयोग गरेर स्वचालित हुन्छन्।
मेसिन लर्निङ अन्य निर्णय लिने प्रक्रियाहरू भन्दा फरक छैन जुन संस्थाहरू र व्यक्तिहरूले यसलाई पारदर्शी र समन्यायिक हुने अपेक्षा गर्छन्। मेसिन लर्निङ एक स्वचालित प्रक्रिया भएको हुनाले, यसको प्रयोग गरेर गरिएका निर्णयहरू कहिलेकाहीं अझ नजिकबाट जाँच गरिन्छ।
यो महत्त्वपूर्ण छ कि संगठनहरू खतराहरूलाई सम्बोधन गर्न सक्रिय हुनुपर्छ किनभने मेसिन लर्निङमा पूर्वाग्रहले प्रायः केही जनसंख्याहरूमा भेदभाव वा नकारात्मक प्रभाव पार्न सक्छ। विनियमित सन्दर्भहरूको लागि, विशेष गरी, मेसिन लर्निङमा पूर्वाग्रहको सम्भावनालाई ध्यानमा राख्नुपर्छ।
उदाहरणका लागि, बैंकिङमा मेसिन लर्निङ प्रारम्भिक जाँचपछि धितो आवेदकहरूलाई स्वचालित रूपमा स्वीकार वा अस्वीकार गर्न प्रयोग गर्न सकिन्छ। उम्मेदवारहरूको निश्चित समूहप्रति पक्षपाती भएको मोडेलले उम्मेदवार र संगठन दुवैमा हानिकारक प्रभाव पार्न सक्छ।
कुनै पनि पूर्वाग्रह एक तैनाती वातावरणमा फेला पर्यो जहाँ कार्यहरू छानबिन हुन सक्छ प्रमुख समस्याहरू निम्त्याउन सक्छ। मोडेलले काम नगर्न सक्छ र, सबैभन्दा खराब परिस्थितिहरूमा, जानाजानी भेदभावपूर्ण पनि हुन सक्छ।
पूर्वाग्रहलाई सावधानीपूर्वक मूल्याङ्कन गरी तयार हुनुपर्दछ किनभने यसले मोडेललाई पूर्णतया परिनियोजनबाट हटाइन सक्छ। मोडेल निर्णयहरूमा विश्वास प्राप्त गर्न मेसिन लर्निङ पूर्वाग्रह बुझ्न र सम्बोधन गर्न आवश्यक छ।
संगठन भित्र र बाह्य सेवा उपभोक्ताहरु बीच विश्वास को स्तर मोडेल निर्णय मा कथित पूर्वाग्रह द्वारा प्रभावित हुन सक्छ। यदि मोडेलहरू विश्वसनीय छैनन् भने, विशेष गरी उच्च-जोखिम विकल्पहरू मार्गदर्शन गर्दा, तिनीहरू संगठन भित्र तिनीहरूको पूर्ण क्षमतामा प्रयोग गरिने छैनन्।
मोडेलको व्याख्यायोग्यताको मूल्याङ्कन गर्दा, पूर्वाग्रहको लागि लेखांकनलाई ध्यानमा राख्नु पर्ने कारक हुनुपर्छ। मोडेल छनौटहरूको वैधता र शुद्धतालाई जाँच नगरिएको मेसिन लर्निङ पूर्वाग्रहले गम्भीर रूपमा असर गर्न सक्छ।
यसले कहिलेकाहीं विशेष व्यक्ति वा समूहहरूलाई असर गर्न सक्ने भेदभावपूर्ण कार्यहरूको परिणाम हुन सक्छ। विभिन्न मेसिन लर्निङ मोडेलका लागि धेरै अनुप्रयोगहरू अवस्थित छन्, र प्रत्येक केही हदसम्म मेसिन लर्निङ पूर्वाग्रहको लागि संवेदनशील छ।
मेशिन लर्निंग पूर्वाग्रह निम्न द्वारा चित्रण गरिएको छ:
- प्रशिक्षण डेटामा विविधताको अभावको कारण, अनुहार पहिचान एल्गोरिदमहरू केही जातीय समूहहरूको लागि कम सही हुन सक्छ।
- कार्यक्रमले मानव वा ऐतिहासिक पूर्वाग्रहको कारणले डाटामा जातीय र लैङ्गिक पूर्वाग्रह पत्ता लगाउन सक्छ।
- एक निश्चित बोली वा उच्चारणको साथ, प्राकृतिक भाषा प्रशोधन अधिक सटीक हुन सक्छ, र यसले प्रशिक्षण डेटामा कम प्रस्तुत गरिएको उच्चारण प्रक्रिया गर्न सक्षम नहुन सक्छ।
मेसिन लर्निङमा पूर्वाग्रह समाधान गर्दै
पूर्वाग्रह फेला पर्दा अनुगमन र पुन: तालिम मोडेलहरू मेसिन लर्निङ पूर्वाग्रहलाई सम्बोधन गर्ने दुई तरिकाहरू हुन्। धेरैजसो अवस्थामा, मोडेल पूर्वाग्रह प्रशिक्षण डेटामा पूर्वाग्रहको सङ्केत हो, वा कमसेकम पूर्वाग्रह मेसिन लर्निङ जीवनचक्रको प्रशिक्षण चरणसँग सम्बन्धित हुन सक्छ।
मोडेल जीवनचक्रको प्रत्येक चरणमा पूर्वाग्रह वा मोडेल बहावलाई समात्न प्रक्रियाहरू हुनुपर्छ। डिप्लोइमेन्ट पछि मेसिन लर्निङको अनुगमन गर्ने प्रक्रियाहरू पनि समावेश छन्। पूर्वाग्रहको लागि मोडेल र डेटासेटहरू बारम्बार जाँच गर्न महत्त्वपूर्ण छ।
यसमा समूहहरूलाई कसरी वितरण गरिन्छ र त्यहाँ प्रतिनिधित्व गरिन्छ भनी हेर्नको लागि प्रशिक्षण डेटासेट जाँच गर्न समावेश हुन सक्छ। पूर्ण रूपमा प्रतिनिधि नभएका डेटासेटहरू परिमार्जन र/वा सुधार गर्न सम्भव छ।
थप रूपमा, मोडेलको कार्यसम्पादन मूल्याङ्कन गर्दा पूर्वाग्रहलाई विचार गर्नुपर्छ। डेटाको विभिन्न उपसमूहहरूमा मोडेलको प्रदर्शन परीक्षण गर्दा यो निश्चित समूहको सम्बन्धमा पक्षपाती वा ओभरफिट गरिएको छ कि छैन भनेर देखाउन सक्छ।
क्रस-प्रमाणीकरण प्रविधिहरू प्रयोग गरेर निश्चित डेटा सबसेटहरूमा मेसिन लर्निङ मोडेलको प्रदर्शनको मूल्याङ्कन गर्न सम्भव छ। प्रक्रियाले डेटालाई छुट्टै प्रशिक्षण र परीक्षण डेटासेटहरूमा विभाजन गर्दछ।
तपाईंले मेसिन लर्निङमा पूर्वाग्रह हटाउन सक्नुहुन्छ:
- आवश्यक हुँदा, ठूला, थप प्रतिनिधि प्रशिक्षण सेटहरू प्रयोग गरेर मोडेललाई पुन: तालिम दिनुहोस्।
- पक्षपाती नतिजाहरू र असामान्य निर्णयहरूको लागि सक्रिय रूपमा हेर्नको लागि प्रक्रिया स्थापना गर्दै।
- रिवेटिङ सुविधाहरू र आवश्यक रूपमा हाइपरपेरामिटरहरू समायोजनले पूर्वाग्रहको लागि खातामा मद्दत गर्न सक्छ।
- पत्ता लगाउने र अप्टिमाइजेसनको निरन्तर चक्र मार्फत पत्ता लगाइएको पूर्वाग्रहको समाधानलाई प्रोत्साहन गर्दै।
निष्कर्ष
एक पटक प्रशिक्षित भएपछि, मेसिन-लर्निङ मोडेलले स्वायत्त रूपमा काम गर्नेछ भन्ने विश्वास गर्न लोभलाग्दो छ। वास्तवमा, मोडेलको परिचालन वातावरण सधैं परिवर्तन हुन्छ, र प्रबन्धकहरूले नियमित आधारमा ताजा डेटा सेटहरू प्रयोग गरेर मोडेलहरूलाई पुन: तालिम दिनुपर्दछ।
मेशिन लर्निङ हाल वास्तविक-विश्व आर्थिक लाभहरूको साथ सबैभन्दा आकर्षक प्राविधिक क्षमताहरू मध्ये एक हो। मेसिन लर्निङ, जब ठूला डाटा टेक्नोलोजीहरू र सार्वजनिक क्लाउड मार्फत उपलब्ध अपार कम्प्युटेसनल पावरसँग जोडी बनाइन्छ, व्यक्तिहरूले प्रविधिसँग र सम्भवतः सम्पूर्ण उद्योगहरूलाई कसरी अन्तरक्रिया गर्छन भनेर रूपान्तरण गर्ने क्षमता हुन्छ।
यद्यपि, मेसिन-लर्निङ टेक्नोलोजी जत्तिकै आशाजनक छ, यो अनायासै पूर्वाग्रहहरूबाट बच्नको लागि सावधानीपूर्वक योजना बनाउनु पर्छ। मेसिनहरूद्वारा गरिएका निर्णयहरूको प्रभावकारितालाई पूर्वाग्रहले गम्भीर रूपमा प्रभाव पार्न सक्छ, जुन मेसिन लर्निङ मोडेल विकासकर्ताहरूले ध्यानमा राख्नु पर्ने कुरा हो।
जवाफ छाड्नुस्