Skip to content

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
Advanced

Bias ve Adillik

Bias Kaynakları#

  1. Eğitim verisi — internet baskın olarak ABD/İngilizce/orta sınıf dünya görüşü
  2. Annotation bias — etiketleyenlerin kararları
  3. Promot bias — "developer" → erkek, "nurse" → kadın çağrışımı
  4. Sistem prompt'u — kasıtsız kalıplar

Tipik Tezahürler#

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

Connected pillar topics

Pillar topics this article maps to