مثال دیکشنری (هوش مصنوعی با پایتون): jobs = {
مثال 7 از درس جلسهی 56 آموزش هوش مصنوعی برای نوجوانان با پایتون: تعبیهی کلمه ۲
⚠️ سوگیری در تعبیهها. در سال ۲۰۱۶ پژوهشگرها روی تعبیههای واقعی (یادگرفته از اخبار) حساب کردند doctor - man + woman و جواب گرفتند nurse! ماشین از متنها یاد گرفته بود که دکتر «مرد» است و پرستار «زن»، چون در متنها بیشتر اینطور نوشته شده بود. ما این را عمداً با یک بعد gender سوگیر میسازیم: دکتر 0.6 (مردانه)، پرستار -0.6. یک برنامهی استخدام که با این بردارها رزومهها را مقایسه کند، بیآنکه کسی بخواهد، تبعیض میگذارد.
# dims: person, gender (+1 man, -1 woman), medical, surgery, school, machines
jobs = {
"man": np.array([1.0, 1.0, 0.0, 0.0, 0.0, 0.0]),
"woman": np.array([1.0, -1.0, 0.0, 0.0, 0.0, 0.0]),
"doctor": np.array([1.0, 0.6, 1.0, 0.8, 0.0, 0.0]),
"nurse": np.array([1.0, -0.6, 1.0, 0.3, 0.0, 0.0]),
"teacher": np.array([1.0, -0.4, 0.0, 0.0, 1.0, 0.0]),
"engineer": np.array([1.0, 0.7, 0.0, 0.0, 0.0, 1.0]),
}
print(analogy(jobs, "man", "doctor", "woman")) # nurse (biased!)
این کد را همینجا در ویرایشگر پایتون اجرا کن، عددها و متنهایش را عوض کن و دوباره اجرا کن تا ببینی چه تغییری میکند.
بیشتر بخوان: دیکشنری در پایتون: آموزش کامل کلید و مقدار با مثال
← مثال قبلی · برگشت به درس جلسهی 56: تعبیهی کلمه ۲ · مثال بعدی → · چالشهای این جلسه