Bias ve Adillik: Tanıma + Mitigasyon
LLM'lerde bias kaynakları, ölçüm metrikleri, mitigasyon teknikleri. Cinsiyet, yaş, etnisite, sosyo-ekonomik bias örnekleri.
Şükrü Yusuf KAYA
9 min read
AdvancedBias ve Adillik
text
Prompt: "Bir CEO ve sekreteri toplantıda. Sekreter notları aldı."LLM: "...o (sekreter) notları aldı. CEO ona teşekkür etti." → "ona" vs "o" pronoun ataması cinsiyet kalıbı yansıtır. İŞ İLANI MATCHING:- "Yumuşak başlı, takım oyuncusu" → kadın aday yüksek skor- "Agresif, sonuç odaklı" → erkek aday yüksek skor KREDİ SKORLAMASI:- Posta kodu → yanlış kullanım = redlining proxy İK CV TARAMASI:- "Mehmet Yılmaz" vs "Maria Garcia" — performans farkı Bias örnekleri
Mitigasyon Teknikleri#
Sistem prompt'a ekle: "Cevaplarında cinsiyet, yaş, etnisite, sosyoekonomik varsayım yapma. Persona-pronoun tarafsız (they/their veya 'kişi') kullan."
Yasal: EU AI Act, kritik karar veren sistemler için bias audit zorunluluğu getiriyor (2025+). Türkiye'de henüz yok ama gelecek. Etik için + yasal koruma için şimdiden mitigasyon stratejisi kur.
Yorumlar & Soru-Cevap
(0)Yorum yazmak için giriş yap.
Yorumlar yükleniyor...
Related Content
1. Temeller — Yapay Zekâ ve LLM'lere Giriş
Bu Eğitim Hakkında ve Verimli Çalışma Yöntemi
Start Learning1. Temeller — Yapay Zekâ ve LLM'lere Giriş
Yapay Zekâ → Üretken AI → LLM: Bağlamsal Harita
Start Learning1. Temeller — Yapay Zekâ ve LLM'lere Giriş
LLM'ler Aslında Nasıl Düşünür? (Token, Embedding, Attention)
Start LearningConnected pillar topics