Responsible AI
Model önyargısı çoğunlukla kötü niyetten değil veriden gelir: eğitim külliyatındaki temsil dengesizliği, etiketleyici tercihleri ve geçmişteki kararlar çıktıya taşınır. Adillik tek bir sayıyla ölçülemez — grup başına hata oranı, fırsat eşitliği ve bireysel tutarlılık aynı anda sağlanamayabilir; bu yüzden hangi adillik tanımının seçildiği ve neden seçildiği açıkça yazılır. Kapsam: önyargı ölçüm yöntemleri, veri ve model düzeyi düzeltmeler, Türkçe ile yerel bağlamda ortaya çıkan örüntüler, yüksek riskli kullanımlarda belgelendirme.
Adillik, tek bir ölçüyle ifade edilebilir bir şey değil. Yaygın kullanılan ölçütler — gruplar arası eşit kabul oranı, eşit hata oranı, eşit kalibrasyon — matematiksel olarak aynı anda sağlanamıyor; biri iyileşirken diğeri bozuluyor. Bu yüzden adillik çalışması bir optimizasyon değil bir tercih: hangi ölçütün bu bağlamda önemli olduğuna karar vermek ve bu kararı gerekçelendirmek.
Semantik komşuluk: bu konuyu anlamak için gereken veya ondan türeyen kavramlar.
Modelin akıcı ve kendinden emin biçimde, gerçekle uyuşmayan bilgi üretmesidir.
Yapay zekâ sistemlerinin adillik, şeffaflık, hesap verebilirlik, gizlilik ve güvenlik boyutlarını tasarım aşamasından itibaren yönetme yaklaşımıdır.
Aynı konunun öğretim ve ölçüm formatları.
