論文の概要: Data Justice in Practice: A Guide for Developers
- arxiv url: http://arxiv.org/abs/2205.01037v1
- Date: Tue, 12 Apr 2022 09:33:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-09 06:14:46.680821
- Title: Data Justice in Practice: A Guide for Developers
- Title（参考訳）: Data Justice in Practice: 開発者のためのガイド
- Authors: David Leslie, Michael Katell, Mhairi Aitken, Jatinder Singh, Morgan
Briggs, Rosamund Powell, Cami Rinc\'on, Antonella Perini, Smera Jayadeva, and
Christopher Burr
- Abstract要約: Advancing Data Justice Research and Practice プロジェクトは、現代のデータ収集、ガバナンス、利用のエコロジーにおける差別と不平等に寄与する社会的、歴史的、文化的、政治的、経済的力の理解を深めることを目的としている。
これは、データ集約技術の作成、調達、使用を行っている開発者や組織のためのガイドの草案です。
- 参考スコア（独自算出の注目度）: 2.5953185061765884
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Advancing Data Justice Research and Practice project aims to broaden
understanding of the social, historical, cultural, political, and economic
forces that contribute to discrimination and inequity in contemporary ecologies
of data collection, governance, and use. This is the consultation draft of a
guide for developers and organisations, which are producing, procuring, or
using data-intensive technologies.In the first section, we introduce the field
of data justice, from its early discussions to more recent proposals to
relocate understandings of what data justice means. This section includes a
description of the six pillars of data justice around which this guidance
revolves. Next, to support developers in designing, developing, and deploying
responsible and equitable data-intensive and AI/ML systems, we outline the
AI/ML project lifecycle through a sociotechnical lens. To support the
operationalisation data justice throughout the entirety of the AI/ML lifecycle
and within data innovation ecosystems, we then present five overarching
principles of responsible, equitable, and trustworthy data research and
innovation practices, the SAFE-D principles-Safety, Accountability, Fairness,
Explainability, and Data Quality, Integrity, Protection, and Privacy. The final
section presents guiding questions that will help developers both address data
justice issues throughout the AI/ML lifecycle and engage in reflective
innovation practices that ensure the design, development, and deployment of
responsible and equitable data-intensive and AI/ML systems.
- Abstract（参考訳）: Advancing Data Justice Research and Practice プロジェクトは、現代のデータ収集、ガバナンス、利用のエコロジーにおける差別と不平等に寄与する社会的、歴史的、文化的、政治的、経済的力の理解を深めることを目的としている。
これは、データ集約技術を生み出し、調達し、又は利用している開発者や組織向けの相談書の草案であり、第1節では、データ正義の分野について、初期の議論から、データ正義とは何かを理解するための、より最近の提案まで紹介する。
この節では、このガイダンスが展開するデータ正義の6つの柱について記述する。
次に、責任あるデータ集約型AI/MLシステムを設計、開発、デプロイする開発者を支援するため、社会技術レンズを通じてAI/MLプロジェクトのライフサイクルを概説する。
AI/MLライフサイクル全体とデータイノベーションエコシステムの中で、運用データ正義をサポートするために、私たちは、責任、公平、信頼できるデータリサーチとイノベーションプラクティス、SAFE-D原則-セーフティ、説明責任、公正性、説明責任、データ品質、統合性、保護、プライバシの5つの原則を提示します。
最終章では、AI/MLライフサイクル全体を通じてデータ正義の問題に対処し、責任ある、公平なデータ集約型およびAI/MLシステムの設計、開発、デプロイを保証するための反射的イノベーションプラクティスに開発者が関与するのに役立つ、ガイド的な質問が提示されている。
関連論文リスト
- Human-Data Interaction Framework: A Comprehensive Model for a Future Driven by Data and Humans [0.0]
HDI(Human-Data Interaction)フレームワークは、現代のデジタル世界でのデータガバナンスと利用に関連する課題と倫理的問題に取り組むための重要なアプローチとなっている。
本稿では、組織がHDI原則をシームレスに統合するために必要な基本的な手順を概説する。
論文 参考訳（メタデータ） (2024-07-30T17:57:09Z) - Data Issues in Industrial AI System: A Meta-Review and Research Strategy [10.540603300770885]
人工知能(AI)は、産業システムにおいてますます重要な役割を担っている。
近年、さまざまな業界でAIを採用する傾向にあるが、実際のAIの採用は認識されるほど発展していない。
これらのデータ問題にどのように対処するかは、業界と学術の両方に直面する重要な懸念事項である。
論文 参考訳（メタデータ） (2024-06-22T08:36:59Z) - Data-Centric AI in the Age of Large Language Models [51.20451986068925]
本稿では,大規模言語モデル(LLM)に着目した,AI研究におけるデータ中心の視点を提案する。
本研究では,LLMの発達段階(事前学習や微調整など)や推論段階(文脈内学習など)において,データが有効であることを示す。
データを中心とした4つのシナリオを特定し、データ中心のベンチマークとデータキュレーション、データ属性、知識伝達、推論コンテキスト化をカバーします。
論文 参考訳（メタデータ） (2024-06-20T16:34:07Z) - Towards Responsible AI in Banking: Addressing Bias for Fair
Decision-Making [69.44075077934914]
責任AI(Responsible AI)は、企業文化の発展におけるバイアスに対処する重要な性質を強調している。
この論文は、バイアスを理解すること、バイアスを緩和すること、バイアスを説明することの3つの基本的な柱に基づいて構成されている。
オープンソースの原則に従って、アクセス可能なPythonパッケージとして、Bias On DemandとFairViewをリリースしました。
論文 参考訳（メタデータ） (2024-01-13T14:07:09Z) - On Responsible Machine Learning Datasets with Fairness, Privacy, and Regulatory Norms [56.119374302685934]
AI技術の信頼性に関する深刻な懸念があった。
機械学習とディープラーニングのアルゴリズムは、開発に使用されるデータに大きく依存する。
本稿では,責任あるルーブリックを用いてデータセットを評価するフレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-24T14:01:53Z) - EALM: Introducing Multidimensional Ethical Alignment in Conversational
Information Retrieval [43.72331337131317]
我々は、倫理的アライメントを、効率的なデータスクリーニングのための初期倫理的判断段階と統合するワークフローを導入する。
本稿では,ETHICSベンチマークから適応したQA-ETHICSデータセットについて述べる。
さらに,二項および多ラベルの倫理的判断タスクにおいて,最高の性能を実現する新しい手法を提案する。
論文 参考訳（メタデータ） (2023-10-02T08:22:34Z) - Applying Standards to Advance Upstream & Downstream Ethics in Large
Language Models [0.0]
本稿では,AIが生成するコンテンツの保護をAI所有者がいかに開発できるかを考察する。
他のコンテンツ制作業界では、行動規範や倫理基準が確立されている。
論文 参考訳（メタデータ） (2023-06-06T08:47:42Z) - Data-centric AI: Perspectives and Challenges [51.70828802140165]
データ中心AI(DCAI)は、モデル進歩からデータ品質と信頼性の確保への根本的なシフトを提唱している。
データ開発、推論データ開発、データメンテナンスの3つの一般的なミッションをまとめます。
論文 参考訳（メタデータ） (2023-01-12T05:28:59Z) - DataPerf: Benchmarks for Data-Centric AI Development [81.03754002516862]
DataPerfは、MLデータセットとデータ中心アルゴリズムを評価するための、コミュニティ主導のベンチマークスイートである。
私たちは、この反復的な開発をサポートするために、複数の課題を抱えたオープンなオンラインプラットフォームを提供しています。
ベンチマーク、オンライン評価プラットフォーム、ベースライン実装はオープンソースである。
論文 参考訳（メタデータ） (2022-07-20T17:47:54Z) - Advancing Data Justice Research and Practice: An Integrated Literature
Review [2.454361535046896]
Advancing Data Justice Research and Practice(ADJRP)プロジェクトは、データ正義に関する現在の考え方のレンズを広げることを目的としている。
この総合的な文献レビューは、この願望を支えるために必要となる概念的基盤を定めている。
論文 参考訳（メタデータ） (2022-04-06T21:09:27Z) - Trustworthy AI [75.99046162669997]
入力データの小さな敵対的変化への脆さ、決定の説明能力、トレーニングデータのバイアスに対処する能力は、最も顕著な制限である。
我々は,AIシステムに対するユーザおよび公的な信頼を高める上での6つの重要な問題に対処するために,信頼に値するAIに関するチュートリアルを提案する。
論文 参考訳（メタデータ） (2020-11-02T20:04:18Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。