Binance
ByBit
WhiteBIT
Щороку тисячі студентів вивчають курси, які навчають їх розгортати моделі штучного інтелекту для діагностики захворювань та визначення відповідних методів лікування. Однак багато з цих курсів пропускають ключовий елемент: навчання студентів виявляти недоліки у навчальних даних, що використовуються для розробки моделей.
Вплив упередженості на медичні моделі
Лео Ентоні Челі, старший науковий співробітник Інституту медичної інженерії та науки MIT, задокументував ці недоліки та сподівається переконати розробників курсів навчати студентів більш ретельно оцінювати свої дані до того, як включати їх у свої моделі. Багато попередніх досліджень показали, що моделі, які тренуються переважно на клінічних даних від білих чоловіків, не працюють добре, коли застосовуються до людей з інших груп.
Упередження в даних виникають з різних джерел, таких як недостатнє включення різноманітності в клінічні випробування. Наприклад, деякі медичні пристрої можуть неправильно оцінювати рівень кисню у людей з кольоровою шкірою через недостатню представленість цієї групи у випробуваннях.
Покращення навчальних програм
Челі підкреслює, що курсам зі штучного інтелекту важливо включати розділи про джерела можливих упереджень. Його дослідження показало, що лише 5 з 11 проаналізованих курсів містили секції про упередження в наборах даних, і лише два з них мали значні обговорення на цю тему.
Вам може бути цікаво:
