Biases in machine learning : (vieses em aprendizagem de máquinas)

Abstract

Apresentamos uma revisão das métricas de Machine Learning, abordando o desafio de equilibrar mitigação de preconceitos com aumento da precisão do modelo, com foco na busca de modelos de ML justos. Começamos definindo preconceitos, elencando possíveis formas de ocorrência, bem como os contextos em que surgem. Em seguida, analisamos potenciais critérios que podem servir de base para definir justiça, a fim de estabelecer possíveis métricas para implementação em algoritmos. Cada métrica representa apenas parcialmente critérios de justiça, e o desenvolvedor deve escolher qual aqueles a serem priorizados dependendo do contexto em que a ferramenta de ML será usada. Finalmente, nós apresentar uma análise estatística das principais métricas, visando garantir a conciliação entre critérios técnicos, ético-filosóficos e legais.