来自 数据 2021-11-07 08:16 的文章

防御ddos_云防护拦截怎么办_如何解决

防御ddos_云防护拦截怎么办_如何解决

对于企业是出于不道德的目的使用人工智能(AI)技术,还是在不知不觉中这样做,商界存在很多争议。这篇文章不是关于这个的-它是关于伦理人工智能对模型开发的意义。我听到的关于偏见的最常见的误解之一是,"如果我在模型中不使用年龄、性别、种族或类似的因素,那就没有偏见。"不幸的是,事实并非如此。从数据科学家的角度来看,伦理人工智能是通过采取预防措施来实现的,以揭露潜在的机器学习(ML)模型已经学到的知识,以及它是否可以对偏差进行插补。乍一看,防御ddos吗,通常采取的隔离模型使用的输入数据字段的预防措施似乎足够了。然而,服务器没有ddos防御,结合输入的模型的潜在特征很难解释它们是否会引入偏差。经过更深入的检查,模型通常会产生偏向特定类的结果。(这里我指的是数据类,而不是社会经济类。)偏差和混淆变量机器学习学习学习数据之间的关系,以适应特定的目标函数(或目标)。它通常会为避免的输入形成代理,这些代理显示出偏差。当"混淆变量"导致这些代理被一个数据类激活而不是另一个时,偏差就会暴露出来,从而驱动模型产生有偏差的结果。 例如,如果一个模型包含了个人手机的品牌和版本,那么这些数据可能与购买昂贵手机的能力有关——这是一个可以计算收入的特征。如果收入不是直接用于决策的一个理想因素,那么根据诸如手机类型或个人购买价值等数据来估算这些信息,就会在模型中引入偏差。这是因为,平均而言,富裕的消费者比不富裕的群体买得起更高端、更昂贵的手机。对吸烟影响的研究提供了另一个混淆变量的例子。在过去的几十年里,家庭防御ddos,研究人员得出了一个令人欣慰的关联:"如果你吸烟,你在未来四年内死亡的概率相当低。因此,吸烟是可以的。"这个假设中的混淆变量是吸烟者的年龄分布;过去,吸烟人群中有许多年轻的吸烟者,他们的癌症会在以后的生活中发展。许多年长的吸烟者已经死亡,因此他们对这一发现的贡献微乎其微。因此,代表"吸烟是可以的"结论的分析模型包含了由更高密度的年轻吸烟者驱动的压倒性偏见,从而产生了对吸烟安全性的偏见。如今,一个模型也可能产生类似的偏见,该模型得出的结论是,由于吸烟的年轻人比50年前少得多,尼古丁成瘾水平也在下降。然而,防御ddos攻击软件,2017年至2018年间,青少年对电子烟的使用量猛增78%,达到每五名高中生中就有一名。电子烟是一种强大的尼古丁释放装置,高防-cdn,它能迅速地使尼古丁上瘾,并将尼古丁的使用转移到一种新的运载工具上。如果不考虑这种尼古丁传递方法,我们将对青少年的尼古丁成瘾有一个错误的看法。寻找隐藏的偏见交付真正符合道德规范的人工智能的挑战需要分别仔细检查每一个数据类,以及驱动结果的数据中的关系:潜在特征。作为数据科学家,我们必须向自己和全世界证明,人工智能和机器学习技术不会使特定人群受到偏见的影响,也不会去寻找混杂的变量。为了达到这个目标,需要使用可解释的潜在特征技术而不是复杂的相互关联的变量网来揭示所学的关系。后者包含需要测试但不能从机器学习模型中提取的关系。在我的AI explainer系列中还有两个关于AI的三个e的博客:可解释AI和efficient AI。在Twitter@ScottZoldi上跟我保持联系。注:这篇文章的一个版本发表在物联网议程上。