AI ప్రతిచోటా ఉంది - నిశ్శబ్దంగా క్రమబద్ధీకరిస్తూ, స్కోర్ చేస్తూ, మరియు సూచిస్తూ ఉంటుంది. అది చాలా సౌకర్యవంతంగా ఉంటుంది... కానీ అది కొన్ని సమూహాలను ముందుకు నెట్టి, మరికొన్నింటిని వెనుక వదిలేసేంత వరకు మాత్రమే. AI బయాస్ అంటే ఏమిటి, చక్కగా తీర్చిదిద్దిన మోడల్స్లో కూడా అది ఎందుకు కనిపిస్తుంది, మరియు పనితీరును దెబ్బతీయకుండా దానిని ఎలా తగ్గించాలి అని మీరు ఎప్పుడైనా ఆలోచించి ఉంటే, ఈ గైడ్ మీ కోసమే.
దీని తర్వాత మీరు చదవడానికి ఇష్టపడే కథనాలు:
🔗 GPT అంటే ఏమిటి?
GPT పేరు మరియు మూలాల యొక్క సాధారణ-ఇంగ్లీష్ వివరణ.
🔗 ప్రిడిక్టివ్ AI అంటే ఏమిటి
చారిత్రక మరియు ప్రత్యక్ష డేటా నుండి ఫలితాలను అంచనా వేసే నమూనాలు ఎలా అంచనా వేస్తాయి.
🔗 ఓపెన్ సోర్స్ AI అంటే ఏమిటి
నిర్వచనం, కీలక ప్రయోజనాలు, సవాళ్లు, లైసెన్స్లు మరియు ప్రాజెక్ట్ ఉదాహరణలు.
🔗 మీ వ్యాపారంలో AI ని ఎలా చేర్చాలి
దశల వారీ రోడ్మ్యాప్, సాధనాలు, వర్క్ఫ్లోలు మరియు మార్పు నిర్వహణ అవసరాలు.
త్వరిత నిర్వచనం: AI బయాస్ అంటే ఏమిటి?
AI పక్షపాతం అంటే ఒక AI వ్యవస్థ యొక్క అవుట్పుట్లు క్రమపద్ధతిలో కొంతమంది వ్యక్తులకు లేదా సమూహాలకు అనుకూలంగా లేదా ప్రతికూలంగా ఉండటం. ఇది తరచుగా అసమతుల్య డేటా, సంకుచిత కొలత ఎంపికలు లేదా వ్యవస్థ నిర్మించబడిన మరియు ఉపయోగించబడిన విస్తృత సందర్భం నుండి ఉత్పన్నమవుతుంది. పక్షపాతం ఎల్లప్పుడూ దురుద్దేశపూర్వకమైనది కాదు, కానీ దానిని నియంత్రించకుండా వదిలేస్తే అది నష్టాలను త్వరగా పెంచుతుంది. [1]
ఒక ఉపయోగకరమైన వ్యత్యాసం: పక్షపాతం అనేది నిర్ణయం తీసుకోవడంలో ఉండే వక్రత, అయితే వివక్ష అనేది ఆ వక్రత ప్రపంచంలో కలిగించే హానికరమైన ప్రభావం. మీరు అన్ని పక్షపాతాలను ఎల్లప్పుడూ తొలగించలేరు, కానీ అది అన్యాయమైన ఫలితాలను సృష్టించకుండా మీరు దానిని నిర్వహించాలి. [2]
పక్షపాతాన్ని అర్థం చేసుకోవడం వల్ల మీరు ఎందుకు మెరుగ్గా ఉంటారు 💡
వింతగా ఉంది కదా? కానీ AI పక్షపాతం అంటే ఏమిటో మీరు ఇలా చేస్తారు:
-
డిజైన్లో మెరుగ్గా ఉంటే , బలహీనమైన అంచనాలను ముందుగానే గుర్తిస్తారు.
-
పరిపాలనలో మరింత మెరుగ్గా ఉంటారు - లాభనష్టాలను పైపైన చూడకుండా, వాటిని నమోదు చేస్తారు.
-
నాయకులు, నియంత్రణ సంస్థలు మరియు ప్రభావిత వ్యక్తులతో సంభాషణలలో మెరుగ్గా
అలాగే, ఫెయిర్నెస్ మెట్రిక్స్ మరియు పాలసీ భాషను నేర్చుకోవడం వల్ల తర్వాత సమయం ఆదా అవుతుంది. నిజాయితీగా చెప్పాలంటే, ఇది రోడ్ ట్రిప్ ముందు మ్యాప్ కొనడం లాంటిది - అసంపూర్ణమైనది, కానీ వైబ్ల కంటే చాలా మంచిది. [2]
మీరు నిజంగా అడవిలో చూసే AI పక్షపాత రకాలు 🧭
AI జీవితచక్రం అంతటా పక్షపాతం కనిపిస్తుంది. జట్లు ఎదుర్కొనే సాధారణ నమూనాలు:
-
డేటా నమూనా పక్షపాతం - కొన్ని సమూహాలు తక్కువగా ప్రాతినిధ్యం వహించబడ్డాయి లేదా లేవు.
-
లేబుల్ బయాస్ - చారిత్రక లేబుల్స్ పక్షపాతం లేదా ధ్వనించే మానవ తీర్పులను ఎన్కోడ్ చేస్తాయి.
-
కొలత పక్షపాతం - మీరు నిజంగా విలువ ఇచ్చే వాటిని సంగ్రహించని ప్రాక్సీలు.
-
మూల్యాంకన పక్షపాతం - పరీక్ష సెట్లు కొన్ని జనాభా లేదా సందర్భాలను కోల్పోతాయి.
-
డిప్లాయ్మెంట్ బయాస్ - తప్పు సెట్టింగ్లో ఉపయోగించే మంచి ల్యాబ్ మోడల్.
-
వ్యవస్థాగత మరియు మానవ పక్షపాతం - విస్తృత సామాజిక నమూనాలు మరియు బృంద ఎంపికలు టెక్లోకి చొచ్చుకుపోవడం.
ప్రమాణాల సంస్థల నుండి ఉపయోగకరమైన మానసిక నమూనా మానవ, సాంకేతిక మరియు వ్యవస్థాగత వర్గాలలోకి పక్షపాతాన్ని వర్గీకరిస్తుంది మరియు మోడల్ ట్వీక్లను మాత్రమే కాకుండా సామాజిక-సాంకేతిక నిర్వహణను సిఫార్సు చేస్తుంది. [1]
పైప్లైన్లో పక్షపాతం ఎక్కడ దాగి ఉంటుంది 🔍
-
సమస్యాత్మక రూపకల్పన - లక్ష్యాన్ని చాలా సంకుచితంగా నిర్వచించండి మరియు ఉత్పత్తి సేవ చేయవలసిన వ్యక్తులను మీరు మినహాయించండి.
-
డేటా సోర్సింగ్ - చారిత్రక డేటా తరచుగా గత అసమానతలను సంకేతీకరిస్తుంది.
-
ఫీచర్ ఎంపికలు - సున్నితమైన లక్షణాల కోసం ప్రాక్సీలు సున్నితమైన లక్షణాలను తిరిగి సృష్టించగలవు.
-
శిక్షణ - లక్ష్యాలు సమానత్వం కోసం కాకుండా సగటు ఖచ్చితత్వం కోసం ఆప్టిమైజ్ చేస్తాయి.
-
పరీక్ష - మీ హోల్డ్అవుట్ సెట్ వక్రంగా ఉంటే, మీ మెట్రిక్స్ కూడా అలాగే ఉంటాయి.
-
పర్యవేక్షణ - వినియోగదారులు లేదా సందర్భంలో మార్పులు సమస్యలను తిరిగి ప్రవేశపెట్టవచ్చు.
మోడల్-ఫిట్ సమయంలోనే కాకుండా, ఈ జీవితచక్రం అంతటా న్యాయమైన నష్టాలను నమోదు చేయడాన్ని నియంత్రణ సంస్థలు నొక్కి చెబుతున్నాయి. ఇది అందరి చేతులతో కూడిన వ్యాయామం. [2]
మనం వృత్తాలు మారకుండా న్యాయాన్ని ఎలా కొలవగలం? 📏
వాటన్నింటినీ నియంత్రించడానికి ఒకే మెట్రిక్ లేదు. మీ వినియోగ సందర్భం మరియు మీరు నివారించాలనుకుంటున్న హాని ఆధారంగా ఎంచుకోండి.
-
జనాభా సమానత్వం - ఎంపిక రేట్లు అన్ని సమూహాలలో ఒకే విధంగా ఉండాలి. కేటాయింపు ప్రశ్నలకు మంచిది, కానీ ఖచ్చితత్వ లక్ష్యాలతో విభేదించవచ్చు. [3]
-
సమానమైన ఆడ్స్ - తప్పుడు పాజిటివ్లు మరియు నిజమైన పాజిటివ్ల వంటి ఎర్రర్ రేట్లు సమానంగా ఉండాలి. గ్రూపు వారీగా ఎర్రర్ల ధర భిన్నంగా ఉన్నప్పుడు ఉపయోగపడుతుంది. [3]
-
అమరిక - ఒకే స్కోరు కోసం, ఫలితాలు సమూహాలలో సమానంగా ఉండే అవకాశం ఉండాలి. స్కోర్లు మానవ నిర్ణయాలను నడిపించినప్పుడు ఉపయోగకరంగా ఉంటుంది. [3]
టూల్కిట్లు ఖాళీలు, ప్లాట్లు మరియు డాష్బోర్డ్లను గణించడం ద్వారా దీన్ని ఆచరణాత్మకంగా చేస్తాయి, తద్వారా మీరు ఊహించడం ఆపవచ్చు. [3]
పక్షపాతాన్ని తగ్గించడానికి నిజంగా పనిచేసే ఆచరణాత్మక మార్గాలు 🛠️
ఒక్క చిన్న నిర్ణయం కంటే పొరలవారీ ఉపశమనాల గురించి ఆలోచించండి :
-
డేటా ఆడిట్లు మరియు సుసంపన్నం చేయడం - కవరేజ్ అంతరాలను గుర్తించడం, చట్టబద్ధమైన చోట సురక్షితమైన డేటాను సేకరించడం, శాంప్లింగ్ను నమోదు చేయడం.
-
రీవెయిటింగ్ & రీశాంప్లింగ్ - వక్రతను తగ్గించడానికి శిక్షణా పంపిణీని సర్దుబాటు చేయడం.
-
ప్రాసెసింగ్లో పరిమితులు - లక్ష్యానికి న్యాయమైన లక్ష్యాలను జోడించండి, తద్వారా మోడల్ నేరుగా ట్రేడ్-ఆఫ్లను నేర్చుకుంటుంది.
-
ప్రతికూల పక్షపాత నివారణ - సున్నితమైన లక్షణాలు అంతర్గత ప్రాతినిధ్యాల నుండి ఊహించలేనట్లుగా మోడల్కు శిక్షణ ఇవ్వడం.
-
పోస్ట్-ప్రాసెసింగ్ - సముచితం మరియు చట్టబద్ధం అయినప్పుడు సమూహానికి నిర్ణయ పరిమితులను క్రమాంకనం చేయండి.
-
హ్యూమన్-ఇన్-ది-లూప్ తనిఖీలు - వివరించదగిన సారాంశాలు మరియు ఎస్కలేషన్ మార్గాలతో జత నమూనాలు.
AIF360 మరియు ఫెయిర్లెర్న్ వంటి ఓపెన్-సోర్స్ లైబ్రరీలు మెట్రిక్లు మరియు నివారణ అల్గారిథమ్లు రెండింటినీ అందిస్తాయి. అవి మాయాజాలం కాదు, కానీ అవి మీకు ఒక క్రమబద్ధమైన ప్రారంభ స్థానాన్ని ఇస్తాయి. [5][3]
పక్షపాతం ముఖ్యమని వాస్తవ ప్రపంచ రుజువు 📸💳🏥
-
ముఖ విశ్లేషణ - విస్తృతంగా ఉదహరించబడిన పరిశోధన వాణిజ్య వ్యవస్థలలో లింగం మరియు చర్మ-రకం సమూహాలలో పెద్ద ఖచ్చితత్వ అసమానతలను నమోదు చేసింది, ఈ రంగాన్ని మెరుగైన మూల్యాంకన పద్ధతుల వైపు నెట్టివేసింది. [4]
-
అధిక ప్రాముఖ్యత గల నిర్ణయాలు (రుణం, నియామకం, గృహవసతి) - ఉద్దేశం లేకపోయినా, పక్షపాత ఫలితాలు న్యాయం మరియు వివక్ష వ్యతిరేక విధులతో విభేదించవచ్చు. అనువాదం: మీరు కేవలం కోడ్కే కాదు, ప్రభావాలకు కూడా జవాబుదారీగా ఉంటారు. [2]
ఆచరణ నుండి త్వరిత ఉపాఖ్యానం: అనామక నియామక-స్క్రీన్ ఆడిట్లో, ఒక బృందం సాంకేతిక పాత్రలలో మహిళలకు రీకాల్ అంతరాలను కనుగొంది. సాధారణ దశలు-మెరుగైన స్తరీకరించిన విభజనలు, ఫీచర్ సమీక్ష మరియు ప్రతి-సమూహ థ్రెషోల్డింగ్-చిన్న ఖచ్చితత్వ ట్రేడ్-ఆఫ్తో చాలా అంతరాన్ని తగ్గించాయి. కీలకం ఒక ఉపాయం కాదు; ఇది పునరావృతమయ్యే కొలత-తగ్గింపు-మానిటర్ లూప్.
విధానం, చట్టం మరియు పాలన: “మంచిది” ఎలా ఉంటుంది 🧾
మీరు న్యాయవాది కానవసరం లేదు, కానీ మీరు న్యాయంగా మరియు వివరించదగినదిగా రూపొందించాలి:
-
న్యాయమైన సూత్రాలు - మానవ-కేంద్రీకృత విలువలు, పారదర్శకత మరియు జీవితచక్రం అంతటా వివక్షత లేకపోవడం. [1]
-
డేటా రక్షణ & సమానత్వం - వ్యక్తిగత డేటా ఉన్నచోట, న్యాయబద్ధత, ప్రయోజన పరిమితి మరియు వ్యక్తిగత హక్కులకు సంబంధించిన విధులను ఆశించండి; రంగ నియమాలు కూడా వర్తించవచ్చు. మీ బాధ్యతలను ముందుగానే మ్యాప్ చేయండి. [2]
-
రిస్క్ మేనేజ్మెంట్ - విస్తృత AI రిస్క్ ప్రోగ్రామ్లలో భాగంగా పక్షపాతాన్ని గుర్తించడానికి, కొలవడానికి మరియు పర్యవేక్షించడానికి నిర్మాణాత్మక ఫ్రేమ్వర్క్లను ఉపయోగించండి. దానిని వ్రాసుకోండి. దానిని సమీక్షించండి. పునరావృతం చేయండి. [1]
చిన్న విషయం: కాగితపు పనులు కేవలం అధికారిక లాంఛనాలు మాత్రమే కాదు; ఎవరైనా అడిగినప్పుడు మీరు నిజంగా పని చేశారని నిరూపించుకోవడానికి కూడా అవి ఉపయోగపడతాయి
పోలిక పట్టిక: AI పక్షపాతాన్ని అరికట్టడానికి సాధనాలు మరియు ఫ్రేమ్వర్క్లు 🧰📊
| సాధనం లేదా ఫ్రేమ్వర్క్ | దీనికి ఉత్తమమైనది | ధర | అది ఎందుకు పనిచేస్తుంది... ఒక విధంగా |
|---|---|---|---|
| AIF360 | మెట్రిక్స్ + తగ్గింపులను కోరుకునే డేటా శాస్త్రవేత్తలు | ఉచితం | ఒకే చోట చాలా అల్గోరిథంలు; త్వరగా నమూనాను రూపొందించడం; బేస్లైన్కు మరియు పరిష్కారాలను పోల్చడానికి సహాయపడుతుంది. [5] |
| ఫెయిర్లెర్న్ | జట్లు ఖచ్చితత్వాన్ని న్యాయమైన పరిమితులతో సమతుల్యం చేస్తాయి | ఉచితం | అంచనా/తగ్గింపు కోసం స్పష్టమైన APIలు; సహాయకరమైన విజువలైజేషన్లు; scikit-learn స్నేహపూర్వకంగా. [3] |
| NIST AI (SP 1270) | రిస్క్, సమ్మతి మరియు నాయకత్వం | ఉచితం | మానవ/సాంకేతిక/వ్యవస్థాగత పక్షపాతం మరియు జీవితచక్ర నిర్వహణ కోసం భాగస్వామ్య భాష. [1] |
| ICO మార్గదర్శకత్వం | వ్యక్తిగత డేటాను నిర్వహిస్తున్న UK బృందాలు | ఉచితం | AI జీవితచక్రం అంతటా న్యాయమైన/వివక్షత ప్రమాదాల కోసం ఆచరణాత్మక తనిఖీ జాబితాలు. [2] |
వీటిలో ప్రతి ఒక్కటి మీకు నిర్మాణం, కొలమానాలు మరియు భాగస్వామ్య పదజాలం అందించడం ద్వారా మీ సందర్భంలో AI పక్షపాతం ఏమిటో సమాధానం ఇవ్వడానికి మీకు సహాయపడుతుంది
చిన్న, కొంచెం అభిప్రాయాలతో కూడిన వర్క్ఫ్లో 🧪
-
మీరు నివారించాలనుకుంటున్న హానిని పేర్కొనండి - కేటాయింపు హాని, దోష రేటు అసమానతలు, గౌరవ హాని మొదలైనవి.
-
ఆ హానితో సమలేఖనం చేయబడిన మెట్రిక్ను ఎంచుకోండి - ఉదా., లోపం సమానత్వం ముఖ్యమైనట్లయితే సమానమైన ఆడ్స్. [3]
-
నేటి డేటా మరియు మోడల్తో బేస్లైన్లను అమలు చేయండి . నిష్పాక్షికత నివేదికను భద్రపరచండి
-
ముందుగా తక్కువ-ఘర్షణ పరిష్కారాలను ప్రయత్నించండి - మెరుగైన డేటా స్ప్లిట్లు, థ్రెషోల్డింగ్ లేదా రీవెయిటింగ్.
-
అవసరమైతే ఇన్-ప్రాసెసింగ్ అడ్డంకులకు తీవ్రతరం చేయండి
-
నిజమైన వినియోగదారులను సూచించే హోల్డ్అవుట్ సెట్లను తిరిగి మూల్యాంకనం చేయండి
-
ఉత్పత్తిలో పర్యవేక్షణ - పంపిణీ మార్పులు జరుగుతాయి; డాష్బోర్డ్లు కూడా అలాగే ఉండాలి.
-
డాక్యుమెంట్ ట్రేడ్-ఆఫ్స్ - న్యాయబద్ధత సందర్భోచితమైనది, కాబట్టి మీరు పారిటీ Y కంటే పారిటీ X ని ఎందుకు ఎంచుకున్నారో వివరించండి. [1][2]
నియంత్రణ సంస్థలు మరియు ప్రమాణాల సంస్థలు ఒక కారణం చేత జీవితచక్ర ఆలోచనను ఒత్తిడికి గురిచేస్తూనే ఉంటాయి. ఇది పనిచేస్తుంది. [1]
వాటాదారులకు కమ్యూనికేషన్ చిట్కాలు 🗣️
-
గణితానికి సంబంధించిన వివరణలను మాత్రమే నివారించండి - ముందుగా సాధారణ చార్టులు మరియు నిర్దిష్ట ఉదాహరణలను చూపించండి.
-
సరళమైన భాషను ఉపయోగించండి - మోడల్ అన్యాయంగా ఏమి చేయగలదో మరియు ఎవరిని ప్రభావితం చేయవచ్చో చెప్పండి.
-
ఉపరితల సర్దుబాట్లు - న్యాయబద్ధత పరిమితులు ఖచ్చితత్వాన్ని మార్చగలవు; అది హానిని తగ్గిస్తే, అది లోపం కాదు.
-
ప్రణాళిక ఆకస్మిక పరిస్థితులు - సమస్యలు తలెత్తితే ఎలా పాజ్ చేయాలి లేదా వెనక్కి తీసుకోవాలి.
-
పరిశీలనను ఆహ్వానించండి - బాహ్య సమీక్ష లేదా రెడ్-టీమింగ్ బ్లైండ్ స్పాట్లను వెలికితీస్తుంది. ఎవరూ దీన్ని ఇష్టపడరు, కానీ ఇది సహాయపడుతుంది. [1][2]
తరచుగా అడిగే ప్రశ్నలు: నిజంగా AI పక్షపాతం అంటే ఏమిటి? ❓
పక్షపాతం అంటే కేవలం చెడ్డ డేటా మాత్రమేనా?
అంతే కాదు. డేటా ముఖ్యమైనదే, కానీ మోడలింగ్ ఎంపికలు, మూల్యాంకన రూపకల్పన, అమలు సందర్భం మరియు బృంద ప్రోత్సాహకాలు అన్నీ ఫలితాలను ప్రభావితం చేస్తాయి. [1]
నేను పక్షపాతాన్ని పూర్తిగా తొలగించగలనా? సాధారణంగా కాదు. పక్షపాతం అన్యాయమైన ప్రభావాలను కలిగించకుండా నిర్వహించడమే మీ లక్ష్యం - పరిపూర్ణత కాదు, తగ్గింపు మరియు పాలన గురించి ఆలోచించండి. [2]
నేను ఏ ఫెయిర్నెస్ మెట్రిక్ని ఉపయోగించాలి?
హాని రకం మరియు డొమైన్ నియమాల ఆధారంగా ఎంచుకోండి. ఉదాహరణకు, తప్పుడు పాజిటివ్లు ఒక సమూహానికి ఎక్కువ హాని కలిగిస్తే, ఎర్రర్-రేట్ పారిటీ (సమానమైన ఆడ్స్) పై దృష్టి పెట్టండి. [3]
నాకు చట్టపరమైన సమీక్ష అవసరమా?
మీ వ్యవస్థ ప్రజల అవకాశాలను లేదా హక్కులను ప్రభావితం చేస్తే, అవును. వినియోగదారు- మరియు సమానత్వ-ఆధారిత నియమాలు అల్గారిథమిక్ నిర్ణయాలకు వర్తించవచ్చు మరియు మీరు మీ పనిని చూపించాలి. [2]
చివరి వ్యాఖ్యలు: చాలా పొడవుగా ఉంది, చదవలేదు 🧾✨
ఎవరైనా మిమ్మల్ని AI బయాస్ అంటే ఏమిటని అడిగితే , సులభంగా అర్థమయ్యే సమాధానం ఇదిగో: ఇది AI అవుట్పుట్లలో ఉండే ఒక క్రమబద్ధమైన వక్రీకరణ, ఇది నిజ ప్రపంచంలో అన్యాయమైన ప్రభావాలను సృష్టించగలదు. మీరు దీన్ని సందర్భానికి తగిన కొలమానాలతో నిర్ధారించి, బహుళ అంచెల పద్ధతులతో తగ్గించి, మొత్తం లైఫ్సైకిల్ అంతటా నియంత్రించాలి. ఇది పరిష్కరించాల్సిన ఒకే ఒక్క బగ్ కాదు—ఇది ఒక ఉత్పత్తి, విధానం మరియు వ్యక్తులకు సంబంధించిన ప్రశ్న. దీనికి నిరంతర కొలత, డాక్యుమెంటేషన్ మరియు వినయం అవసరం. దీనికి ఒక్కటే పరిష్కారం లేదనుకుంటా... కానీ మంచి చెక్లిస్ట్లు, నిజాయితీతో కూడిన సర్దుబాట్లు మరియు మెరుగైన అలవాట్లు ఉన్నాయి. అవును, కొన్ని ఎమోజీలు కూడా ఎప్పుడూ హాని చేయవు. 🙂
ప్రస్తావనలు
-
NIST స్పెషల్ పబ్లికేషన్ 1270 - ఆర్టిఫిషియల్ ఇంటెలిజెన్స్లో బయాస్ను గుర్తించడం మరియు నిర్వహించడం కోసం ఒక ప్రమాణం వైపు. లింక్
-
యూకే సమాచార కమిషనర్ కార్యాలయం - నిష్పక్షపాతం, పక్షపాతం మరియు వివక్షల సంగతేంటి? లింక్
-
ఫెయిర్లెర్న్ డాక్యుమెంటేషన్ - సాధారణ ఫెయిర్నెస్ మెట్రిక్స్ (జనాభా సమానత్వం, సమానమైన ఆడ్స్, క్రమాంకనం). లింక్
-
బూలమ్విని, జె., & గెబ్రూ, టి. (2018). జెండర్ షేడ్స్: కమర్షియల్ జెండర్ క్లాసిఫికేషన్లో ఇంటర్సెక్షనల్ అక్యూరసీ డిస్పారిటీస్. FAT* / PMLR. లింక్
-
IBM పరిశోధన - AI ఫెయిర్నెస్ 360 (AIF360) ను పరిచయం చేస్తోంది. లింక్