Mentionsy Mentionsy
Podcast SGH: SGcHat
Podcast SGH: SGcHat

SGcHat: AI_2.2 #AI Lab: Sprawiedliwość modeli AI, a korporacyjny ład danych 

19.12.2024 ·26 min 30 s · 12 rozdziałów

Zapraszamy do odsłuchania kolejnego odcinka SGcHat w paśmie #AILab, który poprowadzi prof. dr hab. Bogumił Kamiński, dyrektor AI Lab SGH. Gośćmi odcinka są Kamil Cerazy, senior manager w PwC oraz Daniel Kaszyński, nauczyciel akademicki SGH. Podczas spotkania rozmawiamy o sprawiedliwości modeli sztucznej inteligencji - temacie ściśle związanym z wprowadzonym rozporządzeniem AI Act. Czy modele Sztucznej Inteligencji są sprawiedliwe? Jak rozumieć sprawiedliwość tych modeli? Na te i inne pytania odpowiada, nasz gość, badacz tematu, Daniel Kaszyński.Oprócz perspektywy modeli, kwestie sprawiedliwości są jednym z wyzwań w obszarze danych stojących przed firmami, w szczególności z sektora finansowego. Nasz drugi gość, Kamil Cerazy, opowiada o uniwersalności tych wyzwań i biznesowym podejściu do ich zaadresowania przez wdrożenie ładu korporacyjnego w obszarze zarządzania danymi.Montaż i realizacja: Anna SydorczakFoto: Piotr Potapowicz

Wprowadzenie

Wprowadzenie do tematu i zaproponowanie gości do rozmowy.

0:52
Definicja i przykład stronniczości algorytmicznej

Definicja stronniczości algorytmicznej i jej zastosowanie w ocenie zdolności kredytowej.

1:31
Stronniczość algorytmiczna w praktyce biznesowej

Analiza zagadnień stronniczości algorytmicznej z perspektywy banków i biznesu.

2:30
Regulacje i standardy zarządzania modelami

Regulacje i standardy zarządzania modelami, szczególnie w zakresie kredytowania.

2:30
Przykłady i wyzwania

Przykłady stronniczości algorytmicznej i wyzwania związane z jej eliminacją.

2:35
Pogodzenie zysku z sprawiedliwości

Dyskusja na temat pogodzenia zysku z sprawiedliwości i niedyskryminacji.

1:03
Regulacje i praktyka banków

Regulacje i praktyka banków w zakresie stronniczości algorytmicznej.

2:51
Stronniczość algorytmiczna w różnych obszarach

Analiza stronniczości algorytmicznej w różnych obszarach, takich jak marketing i prawo.

1:05
Praktyczne podejście do eliminacji stronniczości

Praktyczne podejście do eliminacji stronniczości algorytmicznej i wyzwania związane z nim.

3:33
Zakłócenia w danych i ich wpływ

Analiza zakłóceń w danych i ich wpływu na algorytmy.

2:08
Badania i narzędzia do eliminacji stronniczości

Badania i narzędzia do eliminacji stronniczości algorytmicznej.

2:47
Konkluzja i zakończenie

Podsumowanie rozmowy i zachęta do dalszych badań.

2:39

Rozdziały i streszczenia generowane automatycznie. Pełna transkrypcja nie jest publikowana — wyszukaj frazę, aby zobaczyć dopasowane fragmenty.