Inspiration
Les biais sont inhérents dans la nature humaine. Elles sont malheureusement souvent reflétés dans les modèles d'apprentissage machine, ce qui peut avoir comme conséquence de les amplifier encore plus. Il est donc important de connaître comment reprérer et s'adapter aux biais dans le contexte du développement de modèle.
What it does
Le modèle a pour but de corriger un modèle se sélection de candidat pour bourse, qui est biaisé envers les étudiants dans les centres.
How we built it
En se basant sur le modèle de base, nous avons fait un audit pour examiner les biais afin de les corriger dans la définition de cible.
Challenges we ran into
Il a été compliquer de définir une nouvelle cible qui réflète de manière précise le mérite des candidats, surtout avec notre jeu de données limité.
Accomplishments that we're proud of
Nous avons réussi à augmenter le f1 de 88% du baseline à environ 93%, en plus de respecter la parité.
What we learned
Nous avons appris à gérer et reconnaître les biais dans un problème d'apprentissage machine.
Log in or sign up for Devpost to join the conversation.