निर्णय लेने के लिए मशीन लर्निंग का नैतिक रूप से उपयोग कैसे करें

मज़बूत डेटा नींव और टूलिंग पर ध्यान दें

अच्छी गुणवत्ता वाला डेटा होना अपने आप में एक बड़ी चुनौती है। हम उन कंपनियों को सलाह देते हैं जो मशीन लर्निंग, आर्टिफिशियल इंटेलिजेंस, और डेटा साइंस का लाभ उठाना चाहती हैं कि वे Monica Rogati की AI Hierarchy of Needs पर विचार करें, जिसमें मशीन लर्निंग को शीर्ष के पास, पहेली के अंतिम हिस्सों में रखा गया है।

स्रोत: Hackernoon

यह पदानुक्रम दिखाता है कि मशीन लर्निंग होने से पहले, आपको मज़बूत डेटा नींव और डेटा को एक्सट्रैक्ट, लोड और ट्रांसफॉर्म करने (ETL) के टूल्स की आवश्यकता होती है, साथ ही अलग-अलग स्रोतों से डेटा को साफ़ करने और एकत्र करने के टूल्स की भी।

इसके लिए मज़बूत डेटा इंजीनियरिंग प्रथाओं की जरूरत होती है—आपको डेटाबेस का उपयोग करना होगा, डेटा को सही तरीके से प्रोसेस करना समझना होगा, अपने वर्कफ़्लो को शेड्यूल करना होगा, और क्लाउड कंप्यूटिंग का उपयोग करना होगा।

इसलिए अपना पहला मशीन लर्निंग इंजीनियर रखने से पहले, आपको अपनी डेटा इंजीनियरिंग, डेटा साइंस, और डेटा विश्लेषण कार्यप्रणालियाँ स्थापित कर लेनी चाहिए।

अपने डेटा और एल्गोरिदम में पक्षपात से सावधान रहें

मशीन लर्निंग उतनी ही अच्छी हो सकती है जितना अच्छा डेटा आप उसे देते हैं। यदि आपका डेटा पक्षपाती है, तो आपका मॉडल भी होगा। उदाहरण के लिए, Amazon ने एक ML भर्ती टूल बनाया जो दस वर्षों के प्रशिक्षण डेटा पर आधारित रेज़्यूमे से आवेदकों की सफलता का पूर्वानुमान लगाता था, जो टेक उद्योग में ऐतिहासिक पुरुष वर्चस्व के कारण पुरुषों के पक्ष में झुका हुआ था—जिससे वह ML टूल भी महिलाओं के प्रति पक्षपाती हो गया।

इसी वजह से हाल के वर्षों में डेटा नैतिकता इतना महत्वपूर्ण विषय बनकर उभरा है। जैसे-जैसे अधिक डेटा उत्पन्न होता है, उस डेटा के उपयोग का प्रभाव भी नाटकीय रूप से बढ़ता है। इसके लिए सैद्धांतिक विचार और निगरानी आवश्यक है। जैसा कि Cassie Kozyrkov, Google की Chief Decision Scientist, ने उपमा दी है, एक शिक्षक उतना ही अच्छा होता है जितनी अच्छी किताबें वह छात्रों को पढ़ाने के लिए उपयोग कर रहा है। यदि किताबें पक्षपाती हैं, तो उनके पाठ भी होंगे।

अपने मॉडल पर नज़र रखें और उसे बेहतर बनाएं

याद रखें कि मशीन लर्निंग का काम तब खत्म नहीं हो जाता जब आपका मॉडल प्रोडक्शन में चला जाए, भविष्यवाणियाँ करने लगे, या वर्गीकरण करने लगे। जो मॉडल परिनियोजित हैं और काम कर रहे हैं, उन्हें भी निगरानी और रखरखाव की आवश्यकता होती है।

यदि आपके पास लेनदेन डेटा के आधार पर क्रेडिट कार्ड धोखाधड़ी की भविष्यवाणी करने वाला मॉडल है, तो हर बार जब आपका मॉडल भविष्यवाणी करता है और आप उस पर कार्रवाई करते हैं, तो आपको उपयोगी जानकारी मिलती है। इसके अलावा, जिसकी गतिविधि की आप निगरानी और भविष्यवाणी करने की कोशिश कर रहे हैं—यहाँ, क्रेडिट कार्ड धोखाधड़ी—वह गतिशील हो सकती है और समय के साथ बदल सकती है। इस प्रक्रिया को, जहाँ उत्पन्न डेटा लगातार बदलता रहता है, डेटा ड्रिफ्ट कहा जाता है—और यह साबित करता है कि अपने मॉडल को नियमित रूप से अपडेट करना कितना ज़रूरी है।

स्रोत: DataBricks