Debias через CUPAC: повышаем справедливость ML-моделей
Программный комитет ещё не принял решения по этому докладу
Целевая аудитория
1. ML-инженеры и дата-сайентисты, которые строят модели для продакшена и хотят научиться устранять скрытые смещения без усложнения архитектуры.
2. Продуктовые менеджеры, которые отвечают за модели в продуктах и заинтересованы в снижении юридических и репутационных рисков, связанных с bias.
Тезисы
1. CUPAC можно использовать не только для ускорения A/B-тестов, но и для устранения смещений в ML-моделях.
2. В отличие от сложных архитектурных изменений моделей, CUPAC позволяет убрать влияние нежелательных признаков на уровне данных.
3. При правильном применении CUPAC даёт простой и прозрачный способ повысить справедливость моделей без потери качества, но требует аккуратной оценки результата - я расскажу на примере реальных кейсов, как этого добиться.
Team Lead Data Scientist с более чем 6-летним опытом работы в различных областях применения ML.
Видео
Другие доклады секции
Data Engineering
