ಲಾಭಗಳು:
- ಇದು ಅಲ್ಗಾರಿದಮಿಕ್ ಪಕ್ಷಪಾತದ ಡೇಟಾ, ವಿನ್ಯಾಸ ಮತ್ತು ಬಳಕೆಯ ಮೂಲಗಳನ್ನು ಗುರುತಿಸುತ್ತದೆ ಮತ್ತು ಗುಂಪಿನ ಆಧಾರದ ಮೇಲೆ ಔಟ್ಪುಟ್ ಅನ್ನು ಪರೀಕ್ಷಿಸುತ್ತದೆ.
- ಪ್ರತಿಕ್ರಿಯೆ ಲೂಪ್ ಮತ್ತು ಪ್ರಾತಿನಿಧ್ಯ ದೋಷವು ಅಸಮಾನತೆಯನ್ನು ಹೇಗೆ ವರ್ಧಿಸುತ್ತದೆ ಮತ್ತು ಪ್ರಭಾವ ನಿಯಂತ್ರಣವನ್ನು ಸ್ಥಾಪಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ವಿವರಿಸುತ್ತದೆ.
- ಪ್ರತಿ ಸ್ವಯಂಚಾಲಿತ ನಿರ್ಧಾರದಲ್ಲಿ ವಿವರಣೆ ಮತ್ತು ಮನವಿಯನ್ನು ಖಾತ್ರಿಪಡಿಸುವ ಮೂಲಕ ಇದು ಹೊಣೆಗಾರಿಕೆಯನ್ನು ಖಾತ್ರಿಗೊಳಿಸುತ್ತದೆ.
ಸಾರ್ವಜನಿಕರು ಅದರ ಶಕ್ತಿಯನ್ನು ಎಲ್ಲರಿಗೂ ಸಮಾನವಾಗಿ ಅನ್ವಯಿಸಬೇಕು: ಒಂದೇ ರೀತಿಯ ಸಂದರ್ಭಗಳಲ್ಲಿ ಇಬ್ಬರು ನಾಗರಿಕರಿಗೆ ಒಂದೇ ರೀತಿಯ ಚಿಕಿತ್ಸೆ, ವಿಭಿನ್ನ ಸಂದರ್ಭಗಳಲ್ಲಿ ಅನುಪಾತದ ವ್ಯತ್ಯಾಸ. ಈ ಸಮಾನತೆಯ ತತ್ವವು ಸಾಂವಿಧಾನಿಕ ಬಾಧ್ಯತೆಯಾಗಿದೆ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಈ ಕ್ಷೇತ್ರವನ್ನು ಸುಧಾರಿಸಬಹುದು ಮತ್ತು ಸದ್ದಿಲ್ಲದೆ ಅಡ್ಡಿಪಡಿಸಬಹುದು. ಇದು ಸುಧಾರಿಸಬಹುದು ಏಕೆಂದರೆ ಸ್ಥಿರವಾಗಿ ಅನ್ವಯಿಸಲಾದ ನಿಯಮವು ಅನಿಯಂತ್ರಿತತೆ ಮತ್ತು ಮಾನವ ಪಕ್ಷಪಾತವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ. ಇದು ಭ್ರಷ್ಟವಾಗಬಹುದು ಏಕೆಂದರೆ AI ಮಾದರಿಗಳು ಹಿಂದಿನ ಡೇಟಾದಿಂದ ಕಲಿಯುತ್ತವೆ ಮತ್ತು ಹಿಂದಿನ ಡೇಟಾವು ಹಿಂದಿನ ತಾರತಮ್ಯವನ್ನು ಹೊಂದಿರುತ್ತದೆ. ಒಂದು ನಿರ್ದಿಷ್ಟ ಗುಂಪಿಗೆ ಐತಿಹಾಸಿಕವಾಗಿ ಅನನುಕೂಲವನ್ನು ಉಂಟುಮಾಡಿದ ಡೇಟಾದ ಮೇಲೆ ಸಿಸ್ಟಮ್ ತರಬೇತಿ ಪಡೆದರೆ, ಅದು ಭವಿಷ್ಯದಲ್ಲಿ ಅನನುಕೂಲತೆಯನ್ನು ಒಯ್ಯುತ್ತದೆ - ಮತ್ತು "ವಸ್ತುನಿಷ್ಠ ಅಲ್ಗಾರಿದಮ್" ನ ಸೋಗಿನಲ್ಲಿ ಪತ್ತೆಹಚ್ಚಲು ಇನ್ನಷ್ಟು ಕಷ್ಟಕರವಾದ ರೂಪದಲ್ಲಿ. ಈ ಘಟಕದಲ್ಲಿ, ಸಾರ್ವಜನಿಕ ವಲಯದಲ್ಲಿ AI ಬಳಸುವಾಗ ಅಲ್ಗಾರಿದಮಿಕ್ ಪಕ್ಷಪಾತವನ್ನು (ಕೆಲವು ಗುಂಪುಗಳ ವಿರುದ್ಧ ಮಾದರಿ ಔಟ್ಪುಟ್ನ ವ್ಯವಸ್ಥಿತ ಪಕ್ಷಪಾತ) ಹೇಗೆ ಗುರುತಿಸುವುದು, ಅದನ್ನು ಹೇಗೆ ಕಡಿಮೆ ಮಾಡುವುದು ಮತ್ತು, ಮುಖ್ಯವಾಗಿ, ಅಲ್ಗಾರಿದಮಿಕ್ ಹೊಣೆಗಾರಿಕೆಯನ್ನು ಹೇಗೆ ಖಚಿತಪಡಿಸಿಕೊಳ್ಳುವುದು (ಸ್ವಯಂಚಾಲಿತ ನಿರ್ಧಾರವು ವಿವರಿಸಬಹುದಾದ, ಲೆಕ್ಕಪರಿಶೋಧಕ ಮತ್ತು ಸ್ಪರ್ಧಾತ್ಮಕವಾಗಿದೆ) ಎಂಬುದನ್ನು ನೀವು ಕಲಿಯುವಿರಿ.
ಪಕ್ಷಪಾತ ಎಲ್ಲಿಂದ ಬರುತ್ತದೆ?
ಅಲ್ಗಾರಿದಮಿಕ್ ಪಕ್ಷಪಾತದ ಹಲವಾರು ಮೂಲಗಳಿವೆ, ಮತ್ತು ಅವೆಲ್ಲವೂ ಸಾರ್ವಜನಿಕವಾಗಿ ಅಪಾಯಕಾರಿ:
- ಐತಿಹಾಸಿಕ ಪಕ್ಷಪಾತ: ತರಬೇತಿ ಡೇಟಾವು ಹಿಂದಿನ ಅಸಮಾನತೆಯನ್ನು ಒಳಗೊಂಡಿದೆ. ಉದಾಹರಣೆಗೆ, ಒಂದು ಪ್ರದೇಶವು ಹಿಂದೆ ಕಡಿಮೆ ಸೇವೆಯನ್ನು ಹೊಂದಿದ್ದರೆ, "ಬೇಡಿಕೆ ಡೇಟಾ" ಆ ಪ್ರದೇಶವನ್ನು ಕಡಿಮೆ ಅಗತ್ಯಗಳನ್ನು ಹೊಂದಿದೆ ಎಂದು ತೋರಿಸಬಹುದು - ವಾಸ್ತವವಾಗಿ ಯಾವುದೇ ಸೇವೆ ಇಲ್ಲದ ಕಾರಣ ಬೇಡಿಕೆ ಕಡಿಮೆಯಾಗಿದೆ.
- ಪ್ರಾತಿನಿಧ್ಯ ಪಕ್ಷಪಾತ: ಕೆಲವು ಗುಂಪುಗಳು ಡೇಟಾದಲ್ಲಿ ಕಡಿಮೆ ಪ್ರತಿನಿಧಿಸಲ್ಪಟ್ಟಿವೆ (ಡಿಜಿಟಲ್ ಪ್ರವೇಶವಿಲ್ಲದವರು, ಅಲ್ಪಸಂಖ್ಯಾತ ಭಾಷಾ ಗುಂಪುಗಳು) ಮತ್ತು ಮಾದರಿಯು ಅವರಿಗೆ ಕಳಪೆಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ.
- ಪ್ರಾಕ್ಸಿ ಪಕ್ಷಪಾತ: ಮಾದರಿಯು ನೇರವಾಗಿ ನಿಷೇಧಿತ ಮಾನದಂಡವನ್ನು (ಜನಾಂಗೀಯತೆ, ಧರ್ಮ) ನೋಡದಿದ್ದರೂ ಸಹ, ಅದರೊಂದಿಗೆ ಸಂಯೋಜಿತವಾಗಿರುವ ಪ್ರಾಕ್ಸಿಯನ್ನು (ನೆರೆಹೊರೆ, ಹೆಸರು, ಪಿನ್ ಕೋಡ್) ನೋಡುವ ಮೂಲಕ ಅದೇ ತಾರತಮ್ಯವನ್ನು ಉಂಟುಮಾಡಬಹುದು.
- ಮಾಪನ ಪಕ್ಷಪಾತ: ನಾವು ಅಳೆಯುವುದು ನಿಜವಾಗಿ ಅಳೆಯಲು ಬಯಸುವುದಿಲ್ಲ. "ದೂರುಗಳ ಸಂಖ್ಯೆ" ಅಗತ್ಯಕ್ಕಿಂತ ಹೆಚ್ಚಾಗಿ ದೂರು ನೀಡುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಅಳೆಯುತ್ತದೆ.
ಎಚ್ಚರಿಕೆ: "ನಾನು ಮಾದರಿಯಿಂದ ಸೂಕ್ಷ್ಮ ಡೇಟಾವನ್ನು (ಲಿಂಗ, ಜನಾಂಗೀಯತೆ) ತೆಗೆದುಹಾಕಿದ್ದೇನೆ, ಈಗ ಅದು ನ್ಯಾಯೋಚಿತವಾಗಿದೆ" ಎಂದು ಹೇಳುವುದು ತಪ್ಪುದಾರಿಗೆಳೆಯುವಂತಿದೆ. ಪ್ರಾಕ್ಸಿ ವೇರಿಯೇಬಲ್ಗಳ ಮೂಲಕ ತಾರತಮ್ಯ ಮುಂದುವರಿಯಬಹುದು. ನ್ಯಾಯಸಮ್ಮತತೆಯನ್ನು ಸಾಧಿಸುವುದು ಇನ್ಪುಟ್ ಅನ್ನು ಅಳಿಸುವ ಮೂಲಕ ಅಲ್ಲ, ಆದರೆ ಗುಂಪುಗಳ ನಡುವಿನ ಔಟ್ಪುಟ್ ಅನ್ನು ಪರೀಕ್ಷಿಸುವ ಮೂಲಕ.
ನ್ಯಾಯಸಮ್ಮತತೆಯನ್ನು ಪರೀಕ್ಷಿಸಲಾಗುತ್ತಿದೆ: ಔಟ್ಪುಟ್ ನೋಡಿ
ವ್ಯವಸ್ಥೆಯು ನ್ಯಾಯಯುತವಾಗಿದೆಯೇ ಅಥವಾ ಇಲ್ಲವೇ ಎಂಬುದನ್ನು ಅದರ ಫಲಿತಾಂಶಗಳನ್ನು ನೋಡುವ ಮೂಲಕ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬಹುದು, ಅದರ ಉದ್ದೇಶಗಳಲ್ಲ. ಮೂಲ ವಿಧಾನ: ನಿರ್ಧಾರವನ್ನು ಗುಂಪುಗಳಾಗಿ ವಿಂಗಡಿಸಿ ಮತ್ತು ಹೋಲಿಕೆ ಮಾಡಿ. ಸ್ವೀಕಾರ/ನಿರಾಕರಣೆ ದರ, ದೋಷ ದರ, ಕಾಯುವ ಸಮಯ ಮುಂತಾದ ಔಟ್ಪುಟ್ಗಳು ವಿಭಿನ್ನ ಗುಂಪುಗಳ ನಡುವೆ (ಲಿಂಗ, ವಯಸ್ಸು, ಪ್ರದೇಶ, ಆದಾಯ) ಗಮನಾರ್ಹವಾಗಿ ಭಿನ್ನವಾಗಿವೆಯೇ? ವ್ಯತ್ಯಾಸವಿದ್ದರೆ, ಈ ವ್ಯತ್ಯಾಸವು ನ್ಯಾಯಸಮ್ಮತವಾದ ಕಾರಣವನ್ನು ಆಧರಿಸಿದೆಯೇ ಅಥವಾ ಇದು ತಾರತಮ್ಯವೇ? ಈ ವಿಶ್ಲೇಷಣೆಗೆ ವೈಯಕ್ತಿಕ ಡೇಟಾದ ಅಗತ್ಯವಿರುವುದರಿಂದ, ಇದನ್ನು KVKK ಗೆ ಅನುಗುಣವಾಗಿ ಒಟ್ಟುಗೂಡಿಸಬೇಕು ಮತ್ತು ಕೈಗೊಳ್ಳಬೇಕು.
ಸಲಹೆ: ಹೊಸ AI-ಚಾಲಿತ ನಿರ್ಧಾರ ವ್ಯವಸ್ಥೆಯನ್ನು ಹೊರತರುವ ಮೊದಲು, ಜನಸಂಖ್ಯಾ ಗುಂಪುಗಳ ಮೂಲಕ ಅದರ ನಿರ್ಧಾರಗಳನ್ನು ವಿಭಜಿಸಿ ಮತ್ತು "ನ್ಯಾಯಯುತ ವರದಿಯನ್ನು" ತಯಾರಿಸಿ. ನೀವು ವ್ಯತ್ಯಾಸವನ್ನು ಕಂಡುಕೊಂಡರೆ, "ಈ ವ್ಯತ್ಯಾಸವನ್ನು ವಿವರಿಸಬಹುದೇ?" ಪ್ರಶ್ನೆಯನ್ನು ಜನರ ಸಮಿತಿಗೆ ತೆಗೆದುಕೊಳ್ಳಿ.
ವಿವರಿಸುವಿಕೆ ಮತ್ತು ಮನವಿ: ಹೊಣೆಗಾರಿಕೆಯ ಹೃದಯ
ಸಾರ್ವಜನಿಕ ವಲಯದಲ್ಲಿ, "ವ್ಯವಸ್ಥೆಯು ಹಾಗೆ ನಿರ್ಧರಿಸಿದೆ" ಎಂಬ ಉತ್ತರದೊಂದಿಗೆ ಯಾವುದೇ ನಾಗರಿಕನು ತನ್ನ ಹಕ್ಕುಗಳಿಂದ ವಂಚಿತನಾಗುವುದಿಲ್ಲ. ಪ್ರತಿ ಸ್ವಯಂಚಾಲಿತ ಅಥವಾ AI-ನೆರವಿನ ನಿರ್ಧಾರಕ್ಕಾಗಿ, ಮೂರು ವಿಷಯಗಳನ್ನು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಬೇಕು:
- ವಿವರಣೆ: ಯಾವ ನಿರ್ಧಾರವನ್ನು ಆಧರಿಸಿದೆ, ಯಾವ ಅಂಶಗಳು ಪರಿಣಾಮಕಾರಿಯಾಗಿವೆ ಎಂಬುದನ್ನು ಸರಳ ಭಾಷೆಯಲ್ಲಿ ವಿವರಿಸಬೇಕು.
- ಮೇಲ್ಮನವಿ ಸಲ್ಲಿಸುವ ವಿಧಾನ: ನಾಗರಿಕರು ನಿರ್ಧಾರವನ್ನು ವಿರೋಧಿಸಲು ಮತ್ತು ಅದನ್ನು ಪರಿಶೀಲಿಸಲು ಮಾನವನನ್ನು ಕೇಳಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ.
- ಆಡಿಟ್ ಟ್ರಯಲ್: ಯಾವ ಡೇಟಾ, ಯಾವ ಮಾದರಿ/ಆವೃತ್ತಿ ಮತ್ತು ಯಾವ ಜವಾಬ್ದಾರಿಯುತ ವ್ಯಕ್ತಿಯೊಂದಿಗೆ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳಲಾಗಿದೆ ಎಂಬುದನ್ನು ದಾಖಲಿಸಬೇಕು.
ಮೂರು ಸಣ್ಣ ಪ್ರಕರಣಗಳು
ಪ್ರಕರಣ 1 - ಸರೊಗೇಟ್ ರೂಪಾಂತರವನ್ನು ಸೆರೆಹಿಡಿಯಲಾಗಿದೆ. ಒಂದು ಸಹಾಯದ ಆದ್ಯತೆಯ ಮಾದರಿಯು ಸೂಕ್ಷ್ಮ ಡೇಟಾವನ್ನು ಬಳಸಲಿಲ್ಲ ಆದರೆ "ಜಿಪ್ ಕೋಡ್" ಅನ್ನು ನೋಡಿದೆ. ನ್ಯಾಯೋಚಿತ ಪರೀಕ್ಷೆಯಲ್ಲಿ, ಕೆಲವು ನೆರೆಹೊರೆಗಳು ವ್ಯವಸ್ಥಿತವಾಗಿ ಕಡಿಮೆ ಆದ್ಯತೆಯನ್ನು ಪಡೆಯುವುದು ಕಂಡುಬಂದಿದೆ - ಪಿನ್ ಕೋಡ್, ಆದಾಯ ಮತ್ತು ಜನಾಂಗೀಯ ಸಾಂದ್ರತೆಯೊಂದಿಗೆ ಪರಸ್ಪರ ಸಂಬಂಧ ಹೊಂದಿದೆ. ವೇರಿಯಬಲ್ ಅನ್ನು ತೆಗೆದುಹಾಕಲಾಗಿದೆ ಮತ್ತು ಆದ್ಯತೆಯನ್ನು ನೇರವಾಗಿ ಅಗತ್ಯ ಸೂಚಕಗಳಿಗೆ ಜೋಡಿಸಲಾಗಿದೆ.
ಪ್ರಕರಣ 2 - ಪ್ರಾತಿನಿಧ್ಯ ಅಂತರ. ಟರ್ಕಿಶ್ ಅಲ್ಲದ ಸ್ಥಳೀಯ ಭಾಷೆಯೊಂದಿಗೆ ನಾಗರಿಕರಿಂದ ಪ್ರಶ್ನೆಗಳನ್ನು ದಾರಿತಪ್ಪಿಸುವ ಚಾಟ್ಬಾಟ್ 41% ಹೆಚ್ಚು; ತರಬೇತಿ ದತ್ತಾಂಶವು ಈ ಗುಂಪಿನ ಸ್ವಲ್ಪಮಟ್ಟಿಗೆ ಒಳಗೊಂಡಿತ್ತು. ಬಹುಭಾಷಾ ಬೆಂಬಲ ಮತ್ತು ಮಾನವ ಹಸ್ತಾಂತರ ಮಿತಿಯನ್ನು ಸೇರಿಸಿದಾಗ, ಅಂತರವನ್ನು ಮುಚ್ಚಲಾಯಿತು.
ಪ್ರಕರಣ 3 - ವಿವರಿಸಲಾಗದ ನಿರಾಕರಣೆ. ಸಂಸ್ಥೆಯು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಅರ್ಜಿಯನ್ನು ತಿರಸ್ಕರಿಸಿದೆ; ನಾಗರಿಕ "ಏಕೆ?" ಎಂದು ಕೇಳಿದಾಗ, ಮಾದರಿಯ ಕಾರಣ ಅರ್ಥವಾಗದ ಕಾರಣ ಅಧಿಕಾರಿ ವಿವರಿಸಲು ಸಾಧ್ಯವಾಗಲಿಲ್ಲ. ಈ ಘಟನೆಯು ಕಳಪೆ ವಿವರಣೆಯನ್ನು ಹೊಂದಿರುವ ಮಾದರಿಗಳನ್ನು ಹಕ್ಕುಗಳನ್ನು ಹೊಂದಿರುವ ನಿರ್ಧಾರಗಳನ್ನು ಮಾಡಲು ಬಳಸಲಾಗುವುದಿಲ್ಲ ಎಂದು ತೋರಿಸಿದೆ; ವ್ಯವಸ್ಥೆಯು ಸಮರ್ಥನೆಯನ್ನು ಉತ್ಪಾದಿಸುವ ಮತ್ತು ಮಾನವ ಅನುಮೋದನೆಯ ಅಗತ್ಯವಿರುವ ಮಾದರಿಯಾಗಿ ರೂಪಾಂತರಗೊಂಡಿದೆ.
ನಾಲ್ಕು ನಕಲಿಸಬಹುದಾದ ಟೆಂಪ್ಲೇಟ್ಗಳು
1) ಪಕ್ಷಪಾತ ಸ್ಕ್ಯಾನಿಂಗ್ನ ಮೂಲ:
ನಿಮ್ಮ ಪಾತ್ರ: ಅಲ್ಗಾರಿದಮಿಕ್ ಫೇರ್ನೆಸ್ ತಜ್ಞ. ಕೆಳಗಿನ AI-ಚಾಲಿತ ನಿರ್ಧಾರ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಪರಿಶೀಲಿಸಿ. ಪಕ್ಷಪಾತದ ಸಂಭವನೀಯ ಮೂಲಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ: (1) ಐತಿಹಾಸಿಕ ಪಕ್ಷಪಾತ, (2) ಪ್ರಾತಿನಿಧ್ಯ ಪಕ್ಷಪಾತ (ಕಡಿಮೆ ಪ್ರತಿನಿಧಿಸಲ್ಪಟ್ಟ ಗುಂಪು), (3) ಪ್ರಾಕ್ಸಿ ವೇರಿಯಬಲ್ಗಳು (ನಿಷೇಧಿತ ಮಾನದಂಡಕ್ಕೆ ಸಂಬಂಧಿಸಿದ ಕಾಲಮ್), (4) ಮಾಪನ ಪಕ್ಷಪಾತ. ಪ್ರತಿಯೊಂದಕ್ಕೂ ಕಾಂಕ್ರೀಟ್ ಉದಾಹರಣೆ ನೀಡಿ ಮತ್ತು ಅದನ್ನು ಹೇಗೆ ಪರೀಕ್ಷಿಸಬೇಕು ಎಂದು ಹೇಳಿ. ಪ್ರಕ್ರಿಯೆ: [ನಿರ್ಣಯ ಪ್ರಕ್ರಿಯೆ ಮತ್ತು ಡೇಟಾವನ್ನು ಬಳಸಲಾಗಿದೆ]
2) ನ್ಯಾಯಸಮ್ಮತ ಪರೀಕ್ಷೆಯ ಯೋಜನೆ:
ಕೆಳಗಿನ ನಿರ್ಧಾರದ ಔಟ್ಪುಟ್ಗಾಗಿ ನ್ಯಾಯಸಮ್ಮತ ಪರೀಕ್ಷೆಯ ಯೋಜನೆಯನ್ನು ರಚಿಸಿ: ನಾನು ಯಾವ ಗುಂಪುಗಳನ್ನು (ವಯಸ್ಸು, ಲಿಂಗ, ಪ್ರದೇಶ, ಆದಾಯ) ಒಡೆಯಬೇಕು, ಯಾವ ಮೆಟ್ರಿಕ್ಗಳನ್ನು (ಸ್ವೀಕಾರ ದರ, ದೋಷ ದರ, ಕಾಯುವ ಸಮಯ) ನಾನು ಹೋಲಿಸಬೇಕು, ವ್ಯತ್ಯಾಸವು ಕಾನೂನುಬದ್ಧವಾಗಿದೆಯೇ ಅಥವಾ ತಾರತಮ್ಯವಾಗಿದೆಯೇ ಎಂದು ನಾನು ಹೇಗೆ ನಿರ್ಧರಿಸುವುದು? KVKK ಎಚ್ಚರಿಕೆಯನ್ನು ಸೇರಿಸಿ. ನಿರ್ಧಾರ: [ಯಾವ ನಿರ್ಧಾರ]
3) ನಿರ್ಧಾರ ಹೇಳಿಕೆ (ನಾಗರಿಕರಿಗೆ):
ಕೆಳಗಿನ ನಿರ್ಧಾರಕ್ಕಾಗಿ ನಾಗರಿಕರಿಗೆ ಅರ್ಥವಾಗುವ ಕರಡು ವಿವರಣೆಯನ್ನು ಬರೆಯಿರಿ: ಸರಳ ಭಾಷೆಯಲ್ಲಿ ಯಾವ ಅಂಶಗಳು ಪ್ರಭಾವಶಾಲಿಯಾಗಿದ್ದವು. ಕೊನೆಯಲ್ಲಿ ಮೇಲ್ಮನವಿ ಸಲ್ಲಿಸುವ ಹಕ್ಕನ್ನು ಮತ್ತು ಮಾನವ ವಿಮರ್ಶೆಯನ್ನು ಹೊಂದುವ ಸಾಧ್ಯತೆಯನ್ನು [ದೃಢೀಕರಿಸಲು ಸಮಯದೊಂದಿಗೆ] ಸೇರಿಸಿ. "ವ್ಯವಸ್ಥೆಯು ಹಾಗೆ ನಿರ್ಧರಿಸಿದೆ" ಎಂಬಂತಹ ಅಸ್ಪಷ್ಟ ಅಭಿವ್ಯಕ್ತಿಗಳನ್ನು ಬಳಸುವುದು. ನಿರ್ಧಾರ: [ಸಾರಾಂಶ ಮತ್ತು ಪ್ರಭಾವ ಬೀರುವ ಅಂಶಗಳು]
4) ಪ್ರಸಾರದ ಮೊದಲು ಹೊಣೆಗಾರಿಕೆಯ ಪರಿಶೀಲನೆ:
AI-ಚಾಲಿತ ನಿರ್ಧಾರ ವ್ಯವಸ್ಥೆಯನ್ನು ಹೊರತರುವ ಮೊದಲು ಹೊಣೆಗಾರಿಕೆಯ ಪರಿಶೀಲನಾಪಟ್ಟಿಯನ್ನು ತಯಾರಿಸಿ: ಇದು ವಿವರಿಸಬಹುದೇ, ಮೇಲ್ಮನವಿ ಸಲ್ಲಿಸಲು ಮಾರ್ಗವಿದೆಯೇ, ಆಡಿಟ್ ಟ್ರಯಲ್ (ಡೇಟಾ/ಮಾದರಿ ಆವೃತ್ತಿ/ಜವಾಬ್ದಾರಿ) ನಿರ್ವಹಿಸಲಾಗಿದೆಯೇ, ನ್ಯಾಯೋಚಿತ ಪರೀಕ್ಷೆಯನ್ನು ಮಾಡಲಾಗಿದೆಯೇ, ಮಾನವ ಅನುಮೋದನೆ ಬಿಂದು ಎಲ್ಲಿದೆ. ಕಾಣೆಯಾದ ವಸ್ತುಗಳನ್ನು ಕೆಂಪು ಧ್ವಜಗಳಂತೆ ಫ್ಲ್ಯಾಗ್ ಮಾಡಿ.SYSTEM: [ಪಾಕವಿಧಾನ]
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್
ದುರ್ಬಲ: "ಈ ನಿರ್ಧಾರ ಮಾದರಿ ನ್ಯಾಯೋಚಿತವೇ?"
ಪ್ರಬಲ: "ನಿಮ್ಮ ಪಾತ್ರವು ಅಲ್ಗಾರಿದಮಿಕ್ ಫೇರ್ನೆಸ್ ಎಕ್ಸ್ಪರ್ಟ್ ಆಗಿದೆ. ಈ ಸಹಾಯದ ಆದ್ಯತೆಯ ಮಾದರಿಗಾಗಿ, ಮೊದಲು ಪಕ್ಷಪಾತದ ಮೂಲಗಳನ್ನು (ಐತಿಹಾಸಿಕ, ಪ್ರಾತಿನಿಧ್ಯ, ಬದಲಿ ವೇರಿಯಬಲ್, ಮಾಪನ) ಸ್ಕ್ಯಾನ್ ಮಾಡಿ ಮತ್ತು ಪ್ರತಿಯೊಂದಕ್ಕೂ ಕಾಂಕ್ರೀಟ್ ಉದಾಹರಣೆಗಳನ್ನು ನೀಡಿ. ನಂತರ ನ್ಯಾಯೋಚಿತ ಪರೀಕ್ಷಾ ಯೋಜನೆಯೊಂದಿಗೆ ಬನ್ನಿ: ಯಾವ ಗುಂಪುಗಳ ಮೂಲಕ ಸ್ಥಗಿತ, ಯಾವ ಮೆಟ್ರಿಕ್ಗಳು, ಅಂತಿಮವಾಗಿ ಕೆವಿಕೆ ವ್ಯತ್ಯಾಸವನ್ನು ಹೇಗೆ ನಿರ್ಧರಿಸುವುದು; ವ್ಯವಸ್ಥೆ, ವಿವರಣೆಗಾಗಿ ಪರಿಶೀಲನಾಪಟ್ಟಿ ನೀಡಿ, ಮೇಲ್ಮನವಿ ಮಾರ್ಗ ಮತ್ತು ಆಡಿಟ್ ಟ್ರಯಲ್, ಮತ್ತು ನ್ಯೂನತೆಗಳನ್ನು ಕೆಂಪು ಫ್ಲ್ಯಾಗ್ ಮಾಡಿ."
ವ್ಯತ್ಯಾಸ: ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್ ಅದರ ಮೂಲದಲ್ಲಿ ಪಕ್ಷಪಾತವನ್ನು ಹುಡುಕುತ್ತದೆ, ಗುಂಪುಗಳಿಂದ ಪರೀಕ್ಷಿಸಲ್ಪಟ್ಟ ಔಟ್ಪುಟ್ ಅನ್ನು ಹೊಂದಿದೆ ಮತ್ತು ಹೊಣೆಗಾರಿಕೆಯನ್ನು ವ್ಯಾಪಕವಾಗಿ ಮಾಡುತ್ತದೆ.
ನ್ಯಾಯದ ಆಯಾಮಗಳು ಮತ್ತು ನಿಯಂತ್ರಣಗಳು
ಗಾತ್ರ
ಅಪಾಯ
ನಿಯಂತ್ರಣ
ಐತಿಹಾಸಿಕ ಡೇಟಾ
ಹಿಂದಿನದು ಅಸಮಾನತೆಯನ್ನು ಹೊಂದಿದೆ
ಗುಂಪುಗಳ ಮೂಲಕ ಫಲಿತಾಂಶವನ್ನು ಪರೀಕ್ಷಿಸಿ
ಪ್ರಾತಿನಿಧ್ಯ
ಕೆಲವು ಗುಂಪಿಗೆ ಕೆಟ್ಟದಾಗಿ ಕೆಲಸ ಮಾಡುತ್ತದೆ
ಗುಂಪು ಆಧಾರಿತ ದೋಷ ದರ
ಬದಲಿ ವೇರಿಯಬಲ್
ರಹಸ್ಯ ತಾರತಮ್ಯ
ವೇರಿಯಬಲ್-ಸೆನ್ಸಿಟಿವ್ ಮಾನದಂಡದ ಸಂಬಂಧ
ವಿವರಿಸುವ ಸಾಮರ್ಥ್ಯ
ನ್ಯಾಯಸಮ್ಮತವಲ್ಲದ ನಿರ್ಧಾರ
ಸರಳ ವಿವರಣೆಯನ್ನು ರಚಿಸಿ
ಆಕ್ಷೇಪಣೆ
ಮುಟ್ಟುಗೋಲು
ಮಾನವ ವಿಮರ್ಶೆಯ ಮಾರ್ಗ
ಪ್ರತಿಕ್ರಿಯೆ ಲೂಪ್ ಮತ್ತು ಪ್ರಾತಿನಿಧ್ಯ ದೋಷ
ಕ್ರಮಾವಳಿಯ ತಾರತಮ್ಯದ ಅತ್ಯಂತ ಕಪಟ ರೂಪವು ಒಂದೇ ತಪ್ಪು ನಿರ್ಧಾರದಲ್ಲಿ ಸಂಭವಿಸುವುದಿಲ್ಲ ಆದರೆ ಕಾಲಾನಂತರದಲ್ಲಿ ತನ್ನನ್ನು ತಾನು ಬಲಪಡಿಸುವ ಪ್ರತಿಕ್ರಿಯೆಯ ಲೂಪ್ನಲ್ಲಿ ಸಂಭವಿಸುತ್ತದೆ (ಒಂದು ಮಾದರಿಯ ಔಟ್ಪುಟ್ ನಂತರದ ತರಬೇತಿ ಡೇಟಾದ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ, ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಪಕ್ಷಪಾತವನ್ನು ಬಲಪಡಿಸುತ್ತದೆ). ಉದಾಹರಣೆಗೆ, ಒಂದು ತಪಾಸಣಾ ಮಾದರಿಯು ನಿರ್ದಿಷ್ಟ ನೆರೆಹೊರೆಯನ್ನು "ಅಪಾಯಕಾರಿ" ಎಂದು ಫ್ಲ್ಯಾಗ್ ಮಾಡಿದರೆ, ಹೆಚ್ಚಿನ ತಪಾಸಣೆಗಳು ಅಲ್ಲಿಗೆ ಹೋದರೆ, ಹೆಚ್ಚಿನ ದಾಖಲೆಗಳನ್ನು ರಚಿಸಲಾಗುತ್ತದೆ, ಮಾದರಿಯು ಆ ನೆರೆಹೊರೆಯನ್ನು ಅಪಾಯಕಾರಿ ಎಂದು ನೋಡುತ್ತದೆ - ನೋಡುವ ಸ್ಥಳದಲ್ಲಿ ವ್ಯತ್ಯಾಸವು ಹೆಚ್ಚಿದ್ದರೂ, ನಿಜವಾದ ಅಪಾಯದಲ್ಲಿ ಅಲ್ಲ. ಇದಕ್ಕೆ ದಾರಿ ಮಾಡಿಕೊಡುವುದು ಸಾಮಾನ್ಯವಾಗಿ ಪ್ರಾತಿನಿಧ್ಯ ದೋಷವಾಗಿದೆ (ಕೆಲವು ಗುಂಪುಗಳನ್ನು ಅಪೂರ್ಣವಾಗಿ ಅಥವಾ ವಿಕೃತವಾಗಿ ಪ್ರತಿಬಿಂಬಿಸುವ ತರಬೇತಿ ಡೇಟಾ). ಸಾರ್ವಜನಿಕ ವಲಯದಲ್ಲಿ, ಈ ಚಕ್ರಗಳು ಅನನುಕೂಲಕರ ಗುಂಪುಗಳನ್ನು ಹೆಚ್ಚು ತೀವ್ರವಾದ ಕಣ್ಗಾವಲು ಮತ್ತು ನಿರ್ಬಂಧಗಳ ಅಡಿಯಲ್ಲಿ ಇರಿಸಬಹುದು. ನಿಮ್ಮನ್ನು ರಕ್ಷಿಸಿಕೊಳ್ಳುವ ಮಾರ್ಗವೆಂದರೆ ಮಾದರಿಯ ಪರಿಣಾಮವನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುವುದು, ಅದರ ಔಟ್ಪುಟ್ ಮಾತ್ರವಲ್ಲ: ಗುಂಪು ಆಧಾರಿತ ನಿರ್ಧಾರಗಳ ವಿತರಣೆಯನ್ನು ನಿಯಮಿತವಾಗಿ ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುವುದು ಮತ್ತು ಮಾದರಿಯ ಶಿಫಾರಸುಗಳನ್ನು ಕುರುಡಾಗಿ ಕಾರ್ಯಗತಗೊಳಿಸದಿರುವುದು.
ಮಿನಿ ಪ್ರಕರಣ - ಸ್ವಯಂ-ಅಭಿಮಾನದ ಅನುಮಾನ. ಕಲ್ಯಾಣ ವಂಚನೆ ಪತ್ತೆ ಮಾದರಿಯು ಈ ಹಿಂದೆ ಹೆಚ್ಚು ಹೆಚ್ಚು ತಪಾಸಣೆಗೆ ಒಳಗಾದ ಪ್ರದೇಶವನ್ನು ಹೆಚ್ಚಿನ ಅಪಾಯ ಎಂದು ಫ್ಲ್ಯಾಗ್ ಮಾಡಿದೆ. ತಂಡವು ದತ್ತಾಂಶದಿಂದ ಜಾರಿ ತೀವ್ರತೆಯನ್ನು ಹೊರತೆಗೆದಾಗ ಮತ್ತು "ಜನಸಂಖ್ಯೆಗೆ ಸಂಬಂಧಿಸಿದಂತೆ ನಿಜವಾದ ಪತ್ತೆ ದರವನ್ನು" ಅಳತೆ ಮಾಡಿದಾಗ, ಪ್ರದೇಶಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸಗಳು ಹೆಚ್ಚಾಗಿ ಕಣ್ಮರೆಯಾಗಿರುವುದನ್ನು ಅವರು ಕಂಡುಕೊಂಡರು; ಮಾದರಿ ಅಸಮಾನತೆಯನ್ನು ನಿಜವಾದ ಅಪಾಯ ಎಂದು ತಪ್ಪಾಗಿ ಭಾವಿಸಿದೆ.
ಗುಂಪು ಆಧಾರಿತ ಪ್ರಭಾವ ನಿಯಂತ್ರಣ ಟೆಂಪ್ಲೇಟ್:
ಕಾರ್ಯ: ಗುಂಪುಗಳ ಮೂಲಕ ಈ ಕೆಳಗಿನ ನಿರ್ಧಾರದ ಡೇಟಾವನ್ನು ಪರೀಕ್ಷಿಸಿ (ಯಾವುದೇ ವೈಯಕ್ತಿಕ ಡೇಟಾ, ವರ್ಗೀಯ ಸಾರಾಂಶ).ಡೇಟಾ: [ಗುಂಪು | ಒಟ್ಟು ನಿರ್ಧಾರ | ಋಣಾತ್ಮಕ ನಿರ್ಧಾರ ದರ | ತಪಾಸಣೆ ತೀವ್ರತೆ]ಔಟ್ಪುಟ್: 1) ನಕಾರಾತ್ಮಕ ನಿರ್ಧಾರ ದರವು ಗುಂಪುಗಳ ನಡುವೆ ಗಮನಾರ್ಹ ವ್ಯತ್ಯಾಸವನ್ನು ತೋರಿಸುತ್ತದೆಯೇ? 2) ವ್ಯತ್ಯಾಸವು ನಿಜವಾದ ಅಪಾಯ ಅಥವಾ ನಿಯಂತ್ರಣ/ಪ್ರಾತಿನಿಧ್ಯದ ತೀವ್ರತೆಯ ಕಾರಣದಿಂದಾಗಿರಬಹುದೇ? 3) ಪ್ರತಿಕ್ರಿಯೆ ಲೂಪ್ನ ಯಾವುದೇ ಚಿಹ್ನೆ ಇದೆಯೇ? 4) ಮಾನವ ನಿಯಂತ್ರಣಕ್ಕಾಗಿ ಶಿಫಾರಸುಗಳು. ನಿಯಮ: ಕಾರಣವಾದ ಹಕ್ಕು ಸ್ಥಾಪಿಸುವುದು; ಸಂಭವನೀಯ ವಿವರಣೆಗಳು ಮತ್ತು ಪರೀಕ್ಷೆಯ ವಿಧಾನಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ.
ಎಚ್ಚರಿಕೆ: "ಮಾದರಿಯು ತಟಸ್ಥವಾಗಿದೆ ಏಕೆಂದರೆ ಅದು ಎಲ್ಲರಿಗೂ ಒಂದೇ ನಿಯಮವನ್ನು ಅನ್ವಯಿಸುತ್ತದೆ" ಎಂಬ ವಾದವು ತಪ್ಪುದಾರಿಗೆಳೆಯುವಂತಿದೆ. ಅದೇ ನಿಯಮ, ಓರೆಯಾದ ಡೇಟಾಗೆ ಅನ್ವಯಿಸಿದಾಗ, ಅಸಮಾನತೆಯನ್ನು ಸಂರಕ್ಷಿಸುತ್ತದೆ ಮತ್ತು ವರ್ಧಿಸುತ್ತದೆ. ನ್ಯಾಯವನ್ನು ಫಲಿತಾಂಶದ ಸಮಾನತೆಯಿಂದ ಅಳೆಯಲಾಗುತ್ತದೆ, ನಿಯಮದಿಂದಲ್ಲ.
ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು
- ಸೂಕ್ಷ್ಮ ಡೇಟಾವನ್ನು ಅಳಿಸುವುದು ಮತ್ತು "ಇದು ನ್ಯಾಯೋಚಿತ" ಎಂದು ಯೋಚಿಸುವುದು. ಬದಲಿ ಅಸ್ಥಿರಗಳು ತಾರತಮ್ಯವನ್ನು ಶಾಶ್ವತಗೊಳಿಸುತ್ತವೆ; ಔಟ್ಪುಟ್ ಪರೀಕ್ಷಿಸಿ.
- ಉದ್ದೇಶದಿಂದ ನ್ಯಾಯವನ್ನು ಅಳೆಯುವುದು. ನ್ಯಾಯವು ಕೊನೆಯಲ್ಲಿ ಕಾಣಿಸಿಕೊಳ್ಳುತ್ತದೆ; ನಿರ್ಧಾರಗಳನ್ನು ಗುಂಪುಗಳಾಗಿ ವಿಂಗಡಿಸಿ ಮತ್ತು ಹೋಲಿಕೆ ಮಾಡಿ.
- ಕಡಿಮೆ ಪ್ರತಿನಿಧಿಸುವ ಗುಂಪನ್ನು ಮರೆತುಬಿಡುವುದು. ಮಾದರಿಯು ಅಲ್ಪಸಂಖ್ಯಾತ ಗುಂಪಿಗೆ ಸದ್ದಿಲ್ಲದೆ ಕಳಪೆಯಾಗಿ ಕೆಲಸ ಮಾಡಬಹುದು; ಗುಂಪು ಆಧಾರಿತ ದೋಷವನ್ನು ನೋಡಿ.
- ಹಕ್ಕುಗಳನ್ನು ನೀಡುವ ನಿರ್ಧಾರಗಳಲ್ಲಿ ವಿವರಿಸಲಾಗದ ಮಾದರಿಯನ್ನು ಬಳಸುವುದು. ಸಮರ್ಥನೆಯನ್ನು ಉತ್ಪಾದಿಸಲು ಸಾಧ್ಯವಾಗದ ವ್ಯವಸ್ಥೆಯು ಸಾರ್ವಜನಿಕ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಸಾಧ್ಯವಿಲ್ಲ.
- ಆಕ್ಷೇಪಣೆಯ ಯಾವುದೇ ವಿಧಾನಗಳನ್ನು ಒದಗಿಸುವುದಿಲ್ಲ. ಪ್ರತಿ ಸ್ವಯಂಚಾಲಿತ ನಿರ್ಧಾರವು ಮಾನವ ವಿಮರ್ಶೆಗೆ ಒಳಪಟ್ಟಿರಬೇಕು.
- ಆಡಿಟ್ ಟ್ರಯಲ್ ಇಟ್ಟುಕೊಳ್ಳುತ್ತಿಲ್ಲ. ಯಾವ ಡೇಟಾ/ಮಾದರಿ/ಜವಾಬ್ದಾರಿ ಹೊಂದಿರುವ ವ್ಯಕ್ತಿಯೊಂದಿಗೆ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳಲಾಗಿದೆ ಎಂಬುದನ್ನು ದಾಖಲಿಸಬೇಕು.
ಸಾರಾಂಶದಲ್ಲಿ
ಸಾರ್ವಜನಿಕ ವಲಯದಲ್ಲಿ, AI ಸ್ಥಿರತೆಯನ್ನು ಹೆಚ್ಚಿಸಬಹುದು ಆದರೆ ಹಿಂದಿನ ತಾರತಮ್ಯವನ್ನು ಸದ್ದಿಲ್ಲದೆ ಸಾಗಿಸಬಹುದು. ಪಕ್ಷಪಾತವು ಐತಿಹಾಸಿಕ ದತ್ತಾಂಶ, ಪ್ರಾತಿನಿಧ್ಯ ಅಂತರ, ಪ್ರಾಕ್ಸಿ ವೇರಿಯೇಬಲ್ಗಳು ಮತ್ತು ತಪ್ಪಾದ ಮಾಪನದಿಂದ ಬರುತ್ತದೆ; ಸೂಕ್ಷ್ಮ ಡೇಟಾವನ್ನು ಅಳಿಸುವುದರಿಂದ ಅದನ್ನು ಪರಿಹರಿಸಲಾಗುವುದಿಲ್ಲ. ಗುಂಪುಗಳಾದ್ಯಂತ ಫಲಿತಾಂಶವನ್ನು ಪರೀಕ್ಷಿಸುವ ಮೂಲಕ ನ್ಯಾಯಸಮ್ಮತತೆಯನ್ನು ಸಾಧಿಸಲಾಗುತ್ತದೆ. ಮತ್ತು "ವ್ಯವಸ್ಥೆಯು ಹೀಗೆ ಹೇಳಿದೆ" ಎಂಬುದಕ್ಕೆ ಯಾವುದೇ ನಾಗರಿಕನು ಹಕ್ಕುಚ್ಯುತಿಯಾಗುವುದಿಲ್ಲ: ಪ್ರತಿಯೊಂದು ನಿರ್ಧಾರವು ವಿವರಿಸಬಹುದಾದ, ಸ್ಪರ್ಧಿಸಬಹುದಾದ ಮತ್ತು ಲೆಕ್ಕಪರಿಶೋಧನೀಯವಾಗಿರಬೇಕು. ಇದು ಜವಾಬ್ದಾರಿಯನ್ನು ಹೊಂದಿರುವ ಸಂಸ್ಥೆಯಾಗಿದೆ, ಅಲ್ಗಾರಿದಮ್ ಅಲ್ಲ.
ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ
ನಿಮ್ಮ ಘಟಕದಲ್ಲಿ AI-ಚಾಲಿತ ಅಥವಾ ಸ್ವಯಂಚಾಲಿತ ನಿರ್ಧಾರ ಪ್ರಕ್ರಿಯೆಯನ್ನು ಆಯ್ಕೆಮಾಡಿ. ಸಂಭವನೀಯ ಪಕ್ಷಪಾತಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ ಮತ್ತು "ಸೋರ್ಸ್ ಆಫ್ ಬೈಯಾಸ್ ಸ್ಕ್ಯಾನ್" ಟೆಂಪ್ಲೇಟ್ನೊಂದಿಗೆ ಕನಿಷ್ಠ ಒಂದು ಪರ್ಯಾಯ ವೇರಿಯಬಲ್ ಅಪಾಯವನ್ನು ಕಂಡುಹಿಡಿಯಿರಿ. "ನ್ಯಾಯಯುತ ಪರೀಕ್ಷಾ ಯೋಜನೆ" ಯೊಂದಿಗೆ ಯಾವ ಗುಂಪಿನ ಸ್ಥಗಿತಗಳನ್ನು ನೋಡಬೇಕೆಂದು ನಿರ್ಧರಿಸಿ. ಮಾದರಿ ನಿರ್ಧಾರಕ್ಕಾಗಿ, "ನಿರ್ಧಾರ ವಿವರಣೆ" ಟೆಂಪ್ಲೇಟ್ನೊಂದಿಗೆ ನಾಗರಿಕ-ಮುಖಿ ವಿವರಣೆಯನ್ನು ತಯಾರಿಸಿ.
ಪರಿಶೀಲನಾಪಟ್ಟಿ
- [ ] ನಾನು ಪಕ್ಷಪಾತದ ಮೂಲಗಳಿಗಾಗಿ ಸ್ಕ್ಯಾನ್ ಮಾಡಿದ್ದೇನೆ (ಐತಿಹಾಸಿಕ, ಪ್ರಾತಿನಿಧ್ಯ, ಪ್ರಾಕ್ಸಿ, ಮಾಪನ).
- [ ] ನಾನು ಕೇವಲ ಸೂಕ್ಷ್ಮ ಡೇಟಾವನ್ನು ಅಳಿಸಲಿಲ್ಲ; ನಾನು ಗುಂಪುಗಳ ಮೂಲಕ ಔಟ್ಪುಟ್ ಅನ್ನು ಪರೀಕ್ಷಿಸಿದೆ.
- [ ] ನಾನು ಕಡಿಮೆ ಪ್ರತಿನಿಧಿಸುವ ಗುಂಪುಗಳಿಗೆ ದೋಷ ದರವನ್ನು ನಿಯಂತ್ರಿಸಿದೆ.
- [ ] ನಾನು ಪ್ರತಿ ನಿರ್ಧಾರಕ್ಕೆ ಸರಳವಾದ, ವಿವರಿಸಬಹುದಾದ ಸಮರ್ಥನೆಯನ್ನು ಒದಗಿಸಿದ್ದೇನೆ.
- [ ] ನಾನು ಆಕ್ಷೇಪಣೆ ಮತ್ತು ಮಾನವ ವಿಮರ್ಶೆ ಮಾರ್ಗವನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಿದ್ದೇನೆ.
- [ ] ಆಡಿಟ್ ಟ್ರಯಲ್ (ಡೇಟಾ/ಮಾದರಿ ಆವೃತ್ತಿ/ಜವಾಬ್ದಾರಿ) ನಿರ್ವಹಿಸಲಾಗಿದೆ.