Примена техника за постизање праведних модела машинског учења

Сажетак

Модели машинског учења постају све присутнији у људској свакодневници и широко се примењују у различитим индустријама. Одлуке се све чешће препуштају моделима који уче из доступних података о појави која се испитује. Подаци описују људско понашање које је кроз историју често имало дискриминишући карактер према одређеним групама друштва. Данас смо сведоци покушаја да се уклони дискриминација где год је то могуће, али како модели машинског учења уче на основу историјских података дешава се да се дискриминација из података научи и примењује. Због тога постаје јако битно направити праведан модел. Међутим, свакако да није довољно да модел буде само праведан. Основни циљ остаје да модел буде тачан. Изазов лежи у проналажењу компромиса између тачности и праведности модела. Овај рад ће се фокусирати на давање одговора на питање колика је цена повећања праведности модела машинског учења. Рад ће дати преглед тренутно најважнијих техника за постизање фер модела машинског учења, начина евалуације као и њихових цена како би се објаснио компромис између тачности и праведности модела.