![\"Acquista](\"https:\/\/www.cittadellaeditrice.com\/munera\/wp-content\/uploads\/ico_acquista_digitale.jpg\")
<\/a>\nper continuare a leggere acquista questo articolo<\/a><\/p>
Possiamo definire la fairness come l\u2019assenza di pregiudizi o favoritismi (o bias) verso un individuo o un gruppo in base alle sue caratteristiche innate o acquisite. Ogni decisione con impatto sociale pu\u00f2 essere affetta da bias, e il problema della fairness esiste da ben prima dell\u2019avvento del machine learning. Tuttavia, l\u2019utilizzo sempre pi\u00f9 massiccio del machine learning in decisioni con un alto impatto sociale ha reso impellente la valutazione della fairness anche nelle decisioni che si avvalgono di tecniche di machine learning. La necessit\u00e0 e\u0300 resa ancora pi\u00f9 grande dalla possibilit\u00e0 che le decisioni supportate da tecniche di machine learning vengano considerate intrinsecamente oggettive, perch\u00e9 realizzate da una macchina mediante un massiccio utilizzo di dati.<\/b><\/p>\n
L\u2019obiettivo di questo contributo e\u0300 quindi fornire una breve panoramica delle questioni relative alla fairness nel machine learning, soffermandoci in particolare sulle fonti di unfairness (ossia le tipologie di bias) e sulla misura del grado di fairness.<\/p>\n
<\/a>\n
per continuare a leggere acquista questo articolo<\/a><\/p>