Redusering av meningsskjevheter

Hva gjøres for å identifisere og dempe eventuelle partiske skjevheter i KI-modellens treningsdata og utdata?

Vi gjør følgende for å identifisere og redusere partiske skjevheter:

Datamangfold: Vi sikrer at opplæringsdataene inkluderer et mangfoldig utvalg anbud fra ulike sektorer og regioner for å forhindre partisk skjeve resultater.

Regelmessige oppdateringer: Vi utfører regelmessige oppdateringer av opplæringsdataene for å inkludere nye og varierte anbud, noe som reduserer risikoen for utdatert eller partisk informasjon.

Menneskelig tilsyn: Vi bruke menneskelig tilsyn i gjennomgangsprosessen for å fange opp og adressere eventuelle partiske skjevheter som automatiserte verktøy kan gå glipp av.

🇬🇧 AI and Compliance- Bias and Fairness

Bias Mitigation

What steps are being taken to identify and mitigate any biases in the AI model’s training data and outputs?

To identify and mitigate biases, the following steps will be taken:

• Data Diversity: Ensuring that the training data includes a diverse range of tenders from various sectors and regions to prevent skewed outputs.

• Regular Updates:Regularly updating the training data to include new and varied tenders, reducing the risk of outdated or biassed information.

• Human Oversight: Incorporating human oversight in the review process to catch and address any biases that automated tools might miss.