جيئن ته وڌيڪ صنعتون عملن کي خودڪار ڪرڻ ۽ چونڊون ڪرڻ لاءِ الگورتھم جي طاقت استعمال ڪنديون آهن، مشين سکيا هڪ اهم جزو بڻجي رهيو آهي ته معاصر دنيا ڪيئن هلندي آهي.
مشين لرننگ ۾ تعصب جو مسئلو اهم آهي ان ڳالهه کي ذهن ۾ رکڻ لاءِ جڏهن مشين سکيا جا ماڊل مختلف تنظيمن جي فيصلي سازي جي عمل ۾ ضم ٿي وڃن.
انهي ڳالهه جي ضمانت ڏيڻ لاءِ ته چونڊون جيڪي الگورٿمز پاران ٺاهيل آهن غيرجانبدار ۽ تعصب کان خالي آهن ڪنهن به تنظيم جو مقصد هجڻ گهرجي جيڪا مشين لرننگ ماڊل استعمال ڪري ٿي. انهي ڳالهه کي يقيني بڻائڻ لاءِ ته ماڊل آئوٽ پُٽ تي ڀروسو ڪري سگهجي ٿو ۽ منصفانه طور ڏٺو وڃي ٿو، ان کي سڃاڻڻ ۽ پتو لڳائڻ تمام ضروري آهي. مشين جي سکيا تعصب.
اهو سوالن سان لاڳاپيل آهي ماڊل وضاحت جي قابليت، يا هڪ شخص لاءِ اهو سمجهڻ ڪيترو آسان آهي ته ڪيئن هڪ مشين لرننگ ماڊل ڪنهن نتيجي تي پهتو. اهي رجحان ۽ نمونا جيڪي مشين سکيا جا ماڊل نقشا ٺاهيندا آهن ۽ سيکاريندا آهن اهي سڌو سنئون انساني ترقي جي بجاءِ ڊيٽا مان ايندا آهن.
مشين لرننگ ۾ تعصب مختلف سببن جي ڪري ظاهر ٿي سگھي ٿو جيڪڏهن ان کي ڪنٽرول ۽ جانچ نه ڪيو وڃي. جڏهن هڪ نمونو لڳايو ويو آهي، اهو اڪثر حالتن سان منهن ڏئي ٿو جيڪي صحيح طور تي تربيتي ڊيٽا نموني ۾ ظاهر نه ڪيا ويا آهن.
ماڊل ڊيٽا جي هن غير نمائندي ٽريننگ سيٽ لاءِ وڌيڪ مناسب ٿي سگهي ٿو. تربيتي ڊيٽا جي بهترين معيار جي باوجود، ماڊل اڃا تائين تاريخي تعصب کان متاثر ٿي سگھي ٿو، جنهن جي نتيجي ۾ وسيع ثقافتي اثرات.
هڪ دفعو لاڳو ڪيو ويو، هڪ باصلاحيت ماڊل ڪجهه گروپن جي حق ۾ ٿي سگهي ٿو يا خاص ڊيٽا سبسٽس سان درستگي وڃائي سگھي ٿو. اهو نتيجو ٿي سگهي ٿو فيصلا جيڪي غير منصفانه طور تي فردن جي هڪ خاص گروهه کي سزا ڏين ٿا، جيڪي حقيقي دنيا تي منفي اثرات پيدا ڪري سگھن ٿا.
هي آرٽيڪل بحث ڪري ٿو مشين لرننگ جي تعصب تي، جنهن ۾ اهو ڇا آهي، ان کي ڪيئن جڳائي، اهو خطرو آهي، ۽ گهڻو ڪجهه.
تنهن ڪري، مشين لرننگ تعصب ڇا آهي؟
هڪ الگورٿم پيدا ڪندڙ آئوٽ پُٽ جيڪي مشين لرننگ جي عمل دوران ٺاهيل غلط مفروضن جي نتيجي ۾ منظم طريقي سان تعصب رکيا ويندا آهن، مشين لرننگ بائس جي نالي سان سڃاتل آهن، جنهن کي الورورٿم تعصب جي نالي سان پڻ سڃاتو وڃي ٿو يا AI تعصب جي نالي سان سڃاتو وڃي ٿو.
مشين لرننگ تعصب هڪ ماڊل جو رجحان آهي جيڪو ڊيٽا جي هڪ خاص سيٽ يا ڊيٽا جي هڪ ذيلي سيٽ جي حق ۾ آهي. اهو اڪثر ڪري غير نمائندي ٽريننگ ڊيٽا سيٽس ذريعي آندو ويندو آهي. ڊيٽا جي هڪ خاص مجموعن سان، هڪ باصلاحيت ماڊل گهٽ ڪارڪردگي ڪندو، جيڪو ان جي درستگي کي نقصان پهچائيندو.
حقيقي دنيا جي سيٽنگ ۾، هن جو مطلب اهو ٿي سگهي ٿو ته باصلاحيت ٽريننگ ڊيٽا جي نتيجي ۾ هڪ نموني جي پيداوار هڪ خاص نسل، ڊيموگرافڪ، يا صنف جي حق ۾ آهي.
نتيجي طور، مشين جي سکيا جا نتيجا ناانصافي يا تبعيض ٿي سگھن ٿا. غير نمائندي تربيت ڊيٽا سيٽ تعصب ۾ مدد ڪري سگھن ٿا مشين سکيا ۾.
نتيجو وارو نمونو ٻين، هيٺ ڏنل ڀاڱن جي طرف متعصب ٿي سگهي ٿو جيڪڏهن ٽريننگ ڊيٽا جي کوٽ آهي يا ڪنهن خاص ڊيٽا گروپنگ جو گهڻو نمائندو. اهو ٿي سگهي ٿو جيڪڏهن ٽريننگ ڊيٽا نموني صحيح طور تي حقيقي دنيا جي ترتيب واري ماحول سان ميلاپ نٿو ڪري.
صحت جي سار سنڀار جي صنعت ۾ مشين لرننگ، جيڪا سڃاتل بيمارين يا بيمارين جي خلاف مريضن جي ڊيٽا کي جانچڻ لاءِ استعمال ٿي سگهي ٿي، هڪ وڏو مثال آهي. ماڊل طبي عملي جي مداخلت کي تيز ڪري سگهن ٿا جڏهن اهي مناسب طور تي استعمال ڪيا وڃن.
بهرحال، تعصب ممڪن آهي. جڏهن هڪ وڏي عمر جي مريض ۾ ممڪن بيماري جي اڳڪٿي ڪرڻ لاء چيو ويو آهي، هڪ ماڊل سٺو ڪم نه ڪري سگهي ٿو جيڪڏهن ٽريننگ ڊيٽا ان کي تعمير ڪرڻ لاء استعمال ڪيو ويو آهي گهڻو ڪري مريض جي ڊيٽا تي مشتمل آهي ننڍي عمر جي حد کان.
ان کان علاوه، تاريخي انگ اکر skewed ڪري سگهجي ٿو. مثال طور، ڇاڪاڻ ته تاريخي طور تي، ملازمن جي اڪثريت مردن جي هئي، هڪ نمونو ٽريننگ نوڪري اميدوارن کي فلٽر ڪرڻ لاءِ مرد درخواست ڏيندڙن جي حق ۾ هوندو.
مشين لرننگ جي تعصب جو اثر ماڊل جي درستگي تي ٻنهي صورتن ۾ هوندو، ۽ بدترين حالتن ۾، اهو به تبعيض ۽ ناانصافي جي نتيجي ۾ ٿي سگهي ٿو.
فيصلن کي احتياط سان جائزو وٺڻ گهرجي انهي کي يقيني بڻائڻ لاء ڪو به تعصب نه آهي مشيني سکيا جا ماڊل وڌيڪ ۽ وڌيڪ دستي آپريشن کي تبديل ڪريو. نتيجي طور، ڪنهن به تنظيم ۾ ماڊل گورننس جي عملن ۾ مشين سکيا جي تعصب جي نگراني شامل ٿيڻ گهرجي.
ڪيترن ئي مختلف صنعتن ۾ مختلف قسم جا نوڪريون مشين سکيا جي ماڊل ذريعي مڪمل ٿي رهيون آهن. اڄ، ماڊل استعمال ڪيا ويا آهن خودڪار طريقي سان وڌندڙ مشڪل عملن ۽ تجويزون پيدا ڪرڻ لاء. هن فيصلي سازي جي عمل ۾، تعصب جو مطلب اهو آهي ته هڪ ماڊل هڪ خاص گروهه کي هڪ سکيل تعصب جي بنياد تي هڪ ٻئي تي احسان ڪري سگهي ٿو.
جڏهن حقيقي نتيجن سان غير محفوظ فيصلا ڪرڻ لاء استعمال ڪيو وڃي، اهو ٿي سگهي ٿو سخت نتيجا. جڏهن خودڪار طور تي قرض جي درخواستن کي منظور ڪرڻ لاء استعمال ڪيو ويو، مثال طور، هڪ باصلاحيت ماڊل هڪ خاص آبادي کي تعصب ڪري سگهي ٿو. منظم ڪاروبار ۾ جتي ڪنهن به عمل کي معائنو يا ڇنڊڇاڻ ڪري سگهجي ٿو، اهو هڪ خاص طور تي اهم عنصر آهي جيڪو اڪائونٽ ۾ رکڻ لاء.
مشين لرننگ تعصب جا قسم
- الگورتھم تعصب - اهو تڏهن ٿيندو آهي جڏهن الورورٿم ۾ ڪو بگ هوندو آهي جيڪو ڳڻپ ڪندو آهي جيڪو مشين لرننگ ڪمپيوٽيشن کي هلائيندو آهي.
- نموني تعصب - جڏهن ڊيٽا استعمال ڪيو مشين سکيا جي تربيت ماڊل هڪ مسئلو آهي، اهو ٿئي ٿو. هن قسم جي تعصب جي صورتن ۾، سسٽم کي تربيت ڏيڻ لاء استعمال ڪيل ڊيٽا جي مقدار يا معيار ڪافي نه آهي. الورورٿم کي تربيت ڏني ويندي ته اهو يقين ڏياريو ته سڀئي استاد عورتون آهن، مثال طور، تربيتي ڊيٽا مڪمل طور تي عورتن جي استادن تي مشتمل آهي.
- اخراج جي تعصب - اهو تڏهن ٿئي ٿو جڏهن هڪ اهم ڊيٽا پوائنٽ استعمال ٿيڻ واري ڊيٽا جي سيٽ کان غير حاضر آهي، جيڪو ٿي سگهي ٿو جيڪڏهن ماڊلر غائب ڊيٽا پوائنٽ جي اهميت کي محسوس ڪرڻ ۾ ناڪام ٿين.
- تعصبي تعصب - هن مثال ۾، مشين جي سکيا پاڻ کي باصلاحيت آهي ڇو ته سسٽم کي تربيت ڏيڻ لاء استعمال ڪيل ڊيٽا حقيقي دنيا جي تعصب جهڙوڪ تعصب، اسٽريٽائپائپس، ۽ غلط سماجي مفروضن کي ظاهر ڪري ٿو. مثال طور، جيڪڏهن طبي ماهرن جي ڊيٽا کي ڪمپيوٽر سسٽم ۾ شامل ڪيو وڃي ها جنهن ۾ صرف مرد طبيب ۽ عورت نرسون شامل آهن، صحت جي سارسنڀال ڪارڪنن بابت حقيقي دنيا جي صنفي اسٽريائپائپ کي برقرار رکيو ويندو.
- ماپ جي تعصب - جيئن ته نالي جو مطلب آهي، هي تعصب بنيادي مسئلن جي نتيجي ۾ ڊيٽا جي معيار ۽ طريقن سان گڏ ان کي گڏ ڪرڻ يا جائزو وٺڻ لاء استعمال ڪيو ويو آهي. وزن جو صحيح اندازو لڳائڻ لاءِ تربيت يافته نظام تعصب وارو هوندو جيڪڏهن ٽريننگ ڊيٽا ۾ موجود وزنن کي مسلسل گول ڪيو ويو، ۽ ڪم جي جڳهه جي ماحول جو جائزو وٺڻ لاءِ هڪ سسٽم کي تربيت ڏيڻ لاءِ مواد رکندڙ ملازمن جون تصويرون استعمال ڪرڻ باصلاحيت ٿي سگهي ٿو جيڪڏهن تصويرن ۾ ملازمن کي خبر هجي. اهي خوشيءَ لاءِ ماپي رهيا هئا.
ڪهڙا عنصر مشين سکيا ۾ تعصب ۾ حصو وٺندا آهن؟
جيتوڻيڪ مشيني سکيا جي تعصب جا ڪيترائي سبب آهن، اهو اڪثر ڪري تربيت واري ڊيٽا ۾ تعصب کان پيدا ٿئي ٿو. تربيتي ڊيٽا ۾ تعصب جا ڪيترائي امڪاني بنيادي سبب آهن.
سڀ کان وڌيڪ واضح مثال ٽريننگ ڊيٽا آهي، جيڪو هڪ مقرر ڪيل نظام ۾ ڏٺو ويو شرطن جو هڪ ذيلي سيٽ آهي جيڪو عام ناهي. اهو ٿي سگهي ٿو ٽريننگ ڊيٽا هڪ درجي جي گهٽ نمائندگي سان يا ٻي جي غير متناسب مقدار سان.
اهو نمونو تعصب طور سڃاتو وڃي ٿو، ۽ اهو نتيجو ٿي سگهي ٿو غير بي ترتيب ٿيل ٽريننگ ڊيٽا گڏ ڪرڻ جو. ڊيٽا گڏ ڪرڻ، تجزيو ڪرڻ، يا درجي بندي ڪرڻ لاءِ استعمال ڪيل طريقا، گڏوگڏ ڊيٽا جي تاريخي جڙ، سڀ ڊيٽا پاڻ ۾ تعصب جو سبب بڻجي سگهن ٿا.
معلومات شايد تاريخي طور تي باصلاحيت ٿي سگھي ٿي وڏي ثقافت ۾ جتي گڏ ڪيو ويو.
مشين لرننگ تعصب گهڻو ڪري سبب آهي:
- تاريخي ڊيٽا ۾ انسانن يا سماج جي سببن جو ڪارڻ الگورتھم کي تربيت ڏيڻ لاء استعمال ڪيو ويندو آهي.
- ٽريننگ ڊيٽا جيڪا حقيقي دنيا جي حالتن کي ظاهر نٿو ڪري.
- نگراني ٿيل مشين لرننگ لاءِ ڊيٽا کي ليبلنگ يا تيار ڪرڻ دوران تعصب.
مثال طور، ٽريننگ ڊيٽا ۾ تنوع جي کوٽ شايد نمائندگي جي تعصب جو سبب بڻائين. مشين لرننگ ماڊلز جي درستگي گهڻو ڪري وسيع ثقافت ۾ تاريخي تعصب کان متاثر ٿيندي آهي.
اهو ڪڏهن ڪڏهن سماجي يا انساني تعصب طور حوالو ڏنو ويندو آهي. ڊيٽا جو وسيع مجموعو ڳولڻ جيڪي سماجي تعصب جو شڪار نه هوندا آهن مشڪل ٿي سگهي ٿو. مشين لرننگ لائف سائيڪل جي ڊيٽا پروسيسنگ اسٽيج انساني تعصب لاءِ برابر حساس آهي.
ڊيٽا جيڪا ليبل ڪئي وئي آهي ۽ پروسيس ڪئي وئي آهي ڊيٽا سائنسدان يا ٻئي ماهر طرفان نگراني ڪيل مشين سکيا لاءِ. ڇا اهو ڊيٽا جي مختلف قسمن مان نڪرندو آهي جيڪو صاف ڪيو ويو آهي، طريقي سان ڊيٽا پوائنٽن کي ليبل ڪيو ويو آهي، يا خاصيتن جي چونڊ، هن ليبلنگ جي عمل ۾ تعصب مشين جي سکيا ۾ تعصب جو سبب بڻجي سگهي ٿو.
مشين لرننگ تعصب جا خطرا
جيئن ته ماڊل ڊيٽا تي ٻڌل فيصلا سازي جا اوزار آهن، اهو فرض ڪيو ويو آهي ته اهي غير جانبدار فيصلا فراهم ڪن ٿا. مشين لرننگ ماڊل اڪثر ڪري تعصب تي مشتمل هوندا آهن، جيڪي نتيجا متاثر ڪري سگهن ٿا.
وڌيڪ ۽ وڌيڪ صنعتون پراڻي سافٽ ويئر ۽ طريقيڪار جي جاء تي مشين سکيا تي عمل ڪري رهيا آهن. باصلاحيت ماڊل حقيقي دنيا ۾ منفي اثر پيدا ڪري سگھن ٿا جڏهن وڌيڪ پيچيده نوڪريون خودڪار طريقي سان ماڊل استعمال ڪندي.
مشين لرننگ ٻين فيصلي سازي جي عملن کان مختلف ناهي جنهن ۾ تنظيمون ۽ فرد ان جي شفاف ۽ برابري جي اميد رکن ٿا. ڇاڪاڻ ته مشين سکيا هڪ خودڪار عمل آهي، ان کي استعمال ڪندي ڪيل فيصلا ڪڏهن ڪڏهن اڃا به وڌيڪ ويجهي جاچيا ويندا آهن.
اهو ضروري آهي ته تنظيمون خطرن کي منهن ڏيڻ ۾ سرگرم هجن ڇو ته مشيني سکيا ۾ تعصب اڪثر ڪري ڪجهه آبادي تي تبعيض يا منفي اثر ڪري سگهي ٿو. ضابطي جي حوالي سان، خاص طور تي، مشين جي سکيا ۾ تعصب جي امڪان کي حساب ۾ رکڻ گهرجي.
مثال طور، بينڪنگ ۾ مشين لرننگ استعمال ٿي سگھي ٿي پاڻمرادو قبول يا رد ڪرڻ لاءِ گروي درخواست ڏيندڙن کي ابتدائي اسڪريننگ کان پوءِ. ھڪڙو نمونو جيڪو اميدوارن جي ھڪڙي مخصوص گروھ ڏانھن متعصب آھي شايد اميدوار ۽ تنظيم تي نقصانڪار اثر رکي سگھي ٿو.
تعیناتي ماحول ۾ ڪو به تعصب مليو جتي عملن جي ڇنڊڇاڻ ٿي سگهي ٿي شايد وڏي مسئلن جو سبب بڻجن. ماڊل ڪم نه ڪري سگھي ٿو ۽، بدترين حالتن ۾، شايد جان بوجھائي تبعيض ٿيڻ جي ڪري.
تعصب کي احتياط سان جائزو وٺڻ گهرجي ۽ ان لاءِ تيار ڪيو وڃي ڇاڪاڻ ته اهو نتيجو ٿي سگهي ٿو ته ماڊل مڪمل طور تي ترتيب ڏيڻ کان هٽايو وڃي. ماڊل فيصلن تي اعتماد حاصل ڪرڻ جي ضرورت آهي مشين سکيا جي تعصب کي سمجهڻ ۽ پتو لڳائڻ.
تنظيم جي اندر اعتماد جي سطح ۽ خارجي خدمت جي صارفين جي وچ ۾ اثر انداز ٿي سگھي ٿو ماڊل فيصلي سازي ۾ تعصب جي لحاظ کان. جيڪڏهن ماڊل قابل اعتبار نه آهن، خاص طور تي جڏهن اعلي خطرن جي چونڊ جي رهنمائي ڪن ٿا، اهي هڪ تنظيم جي اندر انهن جي مڪمل صلاحيت لاء استعمال نه ڪيا ويندا.
جڏهن هڪ ماڊل جي وضاحت جي قابليت جو جائزو وٺڻ، تعصب لاء اڪائونٽنگ هڪ عنصر هجڻ گهرجي جنهن کي حساب ۾ ورتو وڃي. ماڊل جي چونڊ جي صحيحيت ۽ درستگي اڻ چيڪ ٿيل مشين لرننگ تعصب جي ڪري سنجيده متاثر ٿي سگھي ٿي.
اهو ڪڏهن ڪڏهن تبعيض ڪارناما جو نتيجو ٿي سگهي ٿو جيڪو خاص ماڻهن يا گروهن کي متاثر ڪري سگهي ٿو. ڪيتريون ئي ايپليڪيشنون موجود آهن مختلف مشين لرننگ ماڊل جي قسمن لاءِ، ۽ هر هڪ ڪنهن حد تائين مشين لرننگ جي تعصب لاءِ حساس آهي.
مشين لرننگ تعصب جي وضاحت ڪئي وئي آهي:
- ٽريننگ ڊيٽا ۾ مختلف قسم جي غير موجودگي جي ڪري، منهن جي سڃاڻپ الگورتھم ڪجهه نسلي گروهن لاء گهٽ درست ٿي سگهي ٿو.
- پروگرام انساني يا تاريخي تعصب جي ڪري ڊيٽا ۾ نسلي ۽ صنفي تعصب کي ڳولي سگهي ٿو.
- هڪ خاص ٻولي يا تلفظ سان، قدرتي ٻولي پروسيسنگ وڌيڪ صحيح ٿي سگهي ٿي، ۽ اهو شايد هڪ تلفظ تي عمل ڪرڻ جي قابل نه هجي جيڪو تربيتي ڊيٽا ۾ پيش ڪيو ويو آهي.
مشين لرننگ ۾ تعصب کي حل ڪرڻ
مانيٽرنگ ۽ ٻيهر تربيت وارا ماڊل جڏهن تعصب مليا آهن ته مشين لرننگ تعصب کي منهن ڏيڻ جا ٻه طريقا آهن. اڪثر ڪيسن ۾، ماڊل تعصب ٽريننگ ڊيٽا ۾ تعصب جو هڪ اشارو آهي، يا گهٽ ۾ گهٽ تعصب مشين جي سکيا واري زندگي جي تربيت واري مرحلي سان لاڳاپيل ٿي سگهي ٿو.
ماڊل لائف سائيڪل جي هر مرحلي ۾ تعصب يا ماڊل ڊريف کي پڪڙڻ لاءِ طريقا هجڻ گهرجن. مقرري کان پوءِ مشين جي سکيا جي نگراني جا عمل پڻ شامل آهن. اهو ضروري آهي ته بار بار ماڊل ۽ ڊيٽا سيٽس کي تعصب لاء چيڪ ڪريو.
ھن ۾ شامل ٿي سگھي ٿو ھڪڙي تربيتي ڊيٽا سيٽ کي جانچڻ لاءِ ڏسڻ لاءِ ته ڪيئن گروپن کي ورهايو ويو آھي ۽ اتي نمائندگي ڪئي وئي آھي. اهو ممڪن آهي تبديل ڪرڻ ۽/يا ڊيٽا سيٽن کي بهتر ڪرڻ جيڪي مڪمل طور تي نمائندا نه آهن.
اضافي طور تي، ماڊل جي ڪارڪردگي جو جائزو وٺڻ دوران تعصب کي ڌيان ڏيڻ گهرجي. ڊيٽا جي مختلف سبسٽس تي ماڊل جي ڪارڪردگي جي جانچ ڪري سگھي ٿو ته اهو هڪ خاص گروپ جي حوالي سان تعصب يا اوورفٽ ٿيل آهي.
اهو ممڪن آهي ته مشين لرننگ ماڊل جي ڪارڪردگي کي ڪجهه ڊيٽا سبسٽس تي استعمال ڪندي ڪراس-تصديق واري ٽيڪنالاجي استعمال ڪندي. پروسيس ۾ ڊيٽا کي ورهائڻ شامل آهي مختلف ٽريننگ ۽ ٽيسٽ ڊيٽا سيٽن ۾.
توهان مشيني سکيا ۾ تعصب کي ختم ڪري سگهو ٿا:
- جڏهن ضروري هجي، ماڊل کي ٻيهر استعمال ڪندي وڏي، وڌيڪ نمائندي ٽريننگ سيٽ استعمال ڪندي.
- باصلاحيت نتيجن ۽ غير معمولي فيصلن کي فعال طور تي ڏسڻ لاء هڪ طريقيڪار قائم ڪرڻ.
- خاصيتن کي ٻيهر وزن ڏيڻ ۽ ضروري طور تي هائپرپراميٽر کي ترتيب ڏيڻ تعصب جي حساب ۾ مدد ڪري سگھن ٿا.
- ڳولڻ ۽ اصلاح جي مسلسل چڪر ذريعي دريافت ڪيل تعصب جي حل کي همٿ ڏي.
ٿڪل
اهو يقين ڪرڻ لاءِ پرجوش آهي ته هڪ ڀيرو تربيت حاصل ڪئي وئي، هڪ مشين لرننگ ماڊل خودمختيار طور ڪم ڪندو. حقيقت ۾، ماڊل جو آپريشنل ماحول هميشه تبديل ٿي رهيو آهي، ۽ مينيجرز کي باقاعده بنياد تي تازي ڊيٽا سيٽ استعمال ڪندي ماڊل کي ٻيهر تربيت ڏيڻ گهرجي.
مشين لرننگ هن وقت حقيقي دنيا جي معاشي فائدن سان گڏ سڀ کان وڌيڪ دلچسپ ٽيڪنالاجي صلاحيتن مان هڪ آهي. مشين لرننگ، جڏهن وڏي ڊيٽا ٽيڪنالاجيز سان جوڙيو وڃي ٿو ۽ عوامي ڪلائوڊ ذريعي دستياب وڏي ڪمپيوٽيشنل پاور، ان کي تبديل ڪرڻ جي صلاحيت رکي ٿي ته ماڻهو ڪيئن ٽيڪنالاجي سان لهه وچڙ ۾ اچن ٿا، ۽ شايد پوري صنعتون.
بهرحال، مشين لرننگ ٽيڪنالوجي جيتري ترقي يافته آهي، ان کي احتياط سان پلان ڪرڻ گهرجي ته جيئن غير ارادي تعصب کان بچڻ لاء. مشينن پاران ڪيل فيصلن جي تاثير تي سختي سان اثر انداز ٿي سگھي ٿو تعصب، جيڪو ڪجھھ اھو آھي جيڪو مشين لرننگ ماڊل ڊولپرز کي حساب ۾ رکڻ گھرجي.
جواب ڇڏي وڃو