fairlearn

Fairlearn

Fairlearn هي حزمة Python التي تمكّن مطوري أنظمة الذكاء الاصطناعي (AI) لتقييم عدالة نظامهم وتخفيف أي قضايا غير عادلة ملحوظة. يحتوي Fairlearn على خوارزميات التخفيف وكذلك مقاييس لتقييم النموذج. إلى جانب الرمز المصدر ، يحتوي هذا المستودع أيضًا على دفاتر جوبتر مع أمثلة على استخدام Fairlearn.

الموقع الإلكتروني: https://fairlearn.org/

• الإصدار الحالي
• ما نعنيه *الإنصاف *
• نظرة عامة على Fairlearn
• مقاييس Fairlearn
• خوارزميات Fairlearn
• تثبيت fairlearn
• الاستخدام
• المساهمة
• المشرفون
• مشاكل

الإصدار الحالي

• يتوفر الإصدار المستقر الحالي على PYPI.
• قد يختلف نسختنا الحالية اختلافًا كبيرًا عن الإصدارات السابقة. يجب على مستخدمي الإصدارات السابقة زيارة دليل الإصدار الخاص بنا للتنقل في تغييرات مهمة والعثور على معلومات حول كيفية الترحيل.

ما نعنيه بالإنصاف

يمكن أن يتصرف نظام الذكاء الاصطناعي بشكل غير عادل لمجموعة متنوعة من الأسباب. في Fairlearn ، نحدد ما إذا كان نظام الذكاء الاصطناعي يتصرف بشكل غير عادل من حيث تأثيره على الناس - أي من حيث الأضرار. نحن نركز على نوعين من الأضرار:

• أضرار التخصيص. يمكن أن تحدث هذه الأضرار عندما تمتد أنظمة الذكاء الاصطناعى أو حجب الفرص أو الموارد أو المعلومات. بعض التطبيقات الرئيسية هي في التوظيف والقبول بالمدارس والإقراض.
• أضرار جودة الخدمة. تشير جودة الخدمة إلى ما إذا كان النظام يعمل أيضًا لشخص ما كما هو الحال بالنسبة لآخر ، حتى لو لم يتم تمديد فرص أو موارد أو معلومات.

نحن نتبع النهج المعروف باسم Group Girnness ، الذي يسأل: ما هي مجموعات الأفراد المعرضة لخطر تعرض الأضرار؟ يجب تحديد المجموعات ذات الصلة من قبل عالم البيانات وهي محددة للتطبيق.

يتم إضفاء الطابع الرسمي على الإنصاف الجماعي من خلال مجموعة من القيود ، والتي تتطلب أن يكون بعض الجوانب (أو الجوانب) لسلوك نظام الذكاء الاصطناعي قابلاً للمقارنة عبر المجموعات. تتيح حزمة Fairlearn تقييم وتخفيف الظلم في ظل العديد من التعاريف الشائعة. لمعرفة المزيد حول تعريفاتنا للإنصاف ، يرجى زيارة دليل المستخدم الخاص بنا حول الإنصاف لأنظمة الذكاء الاصطناعي.

ملاحظة : الإنصاف هو في الأساس تحديًا اجتماعيًا. لا يتم التقاط العديد من جوانب الإنصاف ، مثل العدالة والإجراءات القانونية ، بواسطة مقاييس الإنصاف الكمية. علاوة على ذلك ، هناك العديد من مقاييس الإنصاف الكمية التي لا يمكن الوفاء بها جميعًا في وقت واحد. هدفنا هو تمكين البشر من تقييم استراتيجيات التخفيف المختلفة ثم جعل المقايضات مناسبة لسيناريوهم.

نظرة عامة على Fairlearn

تحتوي حزمة Python Fairlearn على مكونان:

• مقاييس تقييم المجموعات التي تتأثر سلبًا بنموذج ، ومقارنة نماذج متعددة من حيث مختلف المقاييس للإنصاف والدقة.
• خوارزميات للتخفيف من الظلم في مجموعة متنوعة من مهام الذكاء الاصطناعي وعلى طول مجموعة متنوعة من تعريفات الإنصاف.

مقاييس Fairlearn

تحقق من دليلنا المتعمق على مقاييس Fairlearn.

خوارزميات Fairlearn

للحصول على نظرة عامة على خوارزمياتنا ، يرجى الرجوع إلى موقعنا على الويب.

تثبيت fairlearn

للحصول على إرشادات حول كيفية تثبيت Fairlearn ، تحقق من دليل QuickStart الخاص بنا.

الاستخدام

للاستخدام الشائع ، راجع دفاتر Jupyter ودليل المستخدم الخاص بنا. يرجى ملاحظة أن واجهات برمجة التطبيقات لدينا تخضع للتغيير ، لذلك قد لا تكون أجهزة الكمبيوتر المحمولة التي تم تنزيلها من main متوافقًا مع Fairlearn المثبت مع pip . في هذه الحالة ، يرجى التنقل في العلامات في المستودع (على سبيل المثال v0.7.0) لتحديد موقع الإصدار المناسب من دفتر الملاحظات.

المساهمة

للمساهمة يرجى التحقق من دليل المساهم لدينا.

المشرفون

قائمة من المشرفين الحاليين على موقعنا.

مشاكل

أسئلة الاستخدام

طرح أسئلة وساعد في الإجابة عليها على stack overflow مع tag fairlearn أو على Discord.

القضايا العادية (غير الأمنية)

القضايا مخصصة للأخطاء وطلبات الميزات وتحسين الوثائق. يرجى تقديم تقرير من خلال قضايا جيثب. سوف يستجيب المشرف على الفور حسب الاقتضاء.

سيحاول المشرفون ربط المشكلات المكررة عند الإمكان.

الإبلاغ عن قضايا الأمن

للإبلاغ عن مشكلات الأمان ، يرجى إرسال بريد إلكتروني إلى [email protected] .