Vi har brug for bias-resistent algoritmisk læring

Algoritmer, Data og Demokrati-projektet skal forene datalogi, samfundsvidenskab og humaniora i udviklingen af ​​nye algoritmiske løsninger til gavn for borgere og samfund.
Vi mennesker lærer, hvordan man opfører sig, og hvordan man træffer beslutninger i overensstemmelse med vores opdragelse, de værdier og adfærdskodeks, vi lærer derhjemme, i skolen og i samfundet, så vi til sidst udvikler en moralsk rygrad, der styrer vores adfærd.
Få fuld adgang til DataTech?
DataTech skriver til dig, der arbejder professionelt med data og analytics. Vi giver dig inspirerende cases, nyheder og debat om alt fra Machine Learning-modeller til dataetik.
Prøv DataTech gratis

DataTech giver dig ny viden, cases og erfaringer med at lykkes med AI og data science i praksis. Få 3 ugers gratis og uforpligtende prøveabonnement

Klik her

Nævnte firmaer

Henvisninger:

¹For eksempel har state of the art-algoritmen til at lære betydningen af ​​tekst, Googles BERT, ca. 110 millioner parametre, der skal indstilles iterativt for at modellen kan lære.


²Jeg bruger termen »intelligens« i overensstemmelse med feltets terminologiske normer.


³Se Jeremy Howards TED talk fra 2014: The Wonderful and Terrifying Implications of Computers that Can Learn.


⁴Dette var emnet i NEURIPS 2019 keynote-talen af ​​Yoshua Bengio (en af ​​fædrene til Deep Learning). 


⁵For eksempel kan algoritmiske antagelser om, hvordan man fortolker brugerklik på nettet, være direkte knyttet til den globale spredning af fake news med konsekvenser for skift i de offentlige opinioner og politiske valgresultater.

⁶Der er en relativt ny bølge af forskning inden for dette felt, se for eksemoel [1], [2].

https://veluxfoundations.dk/da/algorithms-data-and-democracy

https://di.ku.dk/english/news/2021/add-project/

[1] Atanasova, P., Simonsen, J. G., Lioma, C., & Augenstein, I. (2020). A Diagnostic Study of Explainability Techniques for Text Classification. I Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing (EMNLP) (pp. 3256-3274). Association for Computational Linguistics.

[2] Atanasova, P., Simonsen, J. G., Lioma, C., & Augenstein, I. (2020). Generating Fact Checking Explanations. I Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics (pp. 7352-7364). Association for Computational Linguistics.

[3] Bush, V. (1945). As we May Think. The Atlantic Monthly. 176 (1): 101–108.