Six Croyances Qui Font Que Votre Travail En Science des Données Est Truffé de Biais

Six croyances biaisées dans le travail en science des données

Vous ne pouvez pas éliminer les biais dans votre travail, mais vous pouvez les gérer ; voici comment

Si vous avez déjà pensé :

• Mon expérience est un point de référence raisonnable.
• Je suis une bonne personne. Je veux dire, bien.
• Mon groupe de personnes est bon. Ils veulent bien faire. -OU-
• Je suis un bon juge du monde. Mes évaluations sont généralement correctes.

Vous êtes en compagnie d’autres personnes – peut-être que c’est une bonne chose et peut-être pas. Cet article parle un peu de pourquoi.

La diffusion en science consiste à raconter une histoire. Commençons cet article par une histoire.

Imaginez que vous êtes un archéologue en train d’excaver un site. Vous tamisez des couches d’histoire. Peut-être moins éloigné pour cette publication, imaginez-vous en tant que data scientist – moins “terrestre”, mais tout aussi absorbé par la découverte d’informations critiques à partir de vastes ensembles de données complexes.

• OpenAI dévoile 6 fonctionnalités passionnantes de ChatGPT pour révolutionner l’expérience utilisateur
• Classification multilabel Une introduction avec Scikit-Learn de Python
• Fraude par « deepfake » pilotée par l’IA La bataille en cours du Kerala contre les escrocs

La façon dont un archéologue interprète chaque artefact peut révéler subtilement un biais. Il en va de même pour chaque insight produit par les data scientists. Malgré nos meilleures intentions, nos perspectives sont teintées par nos expériences et nos croyances, jetant une ombre de partialité sur notre travail.

Parfois, le biais est bon. Souvent, ce n’est pas le cas.

Les biais en faveur d’un comportement véridique, honnête, éthique et qui évite de causer du tort aux autres sont bons pour nous et pour ceux qui comptent sur notre travail. L’une de mes préoccupations est quand quelqu’un dit :

Nous devons éliminer les biais dans notre travail.

Tellement faux ! Nous n’avons pas besoin d’éliminer les biais. Nous devons embrasser les biais qui nous ont été inculqués par nos meilleurs anges. Une meilleure formulation serait que nous devons éliminer les biais préjudiciables. Ou, nous devons gérer les biais.

Dans le paysage complexe de la science des données, le concept de biais n’est pas nouveau. Nous sommes constamment rappelés de sa présence et de son impact. Pour le meilleur ou pour le pire, les biais se glissent dans nos données, nos algorithmes et, plus important encore, dans nos croyances, manipulant subtilement les récits que nous élaborons à partir des informations brutes et non traitées.

We will continue to update IPGirl; if you have any questions or suggestions, please contact us!