机构名称：
¥ 1.0
摘要： - 在这项工作中，检查了AI驱动的目标营销中的偏差识别和缓解措施，重点是保证自动化消费者分析的公平性。通过初步研究发现了AI模型中的明显偏见，尤其受到采购历史和地理位置等特征的影响，这些特征与种族和社会经济地位（例如种族和社会经济位置）非常相对应。具有0.60的不同影响（DI），-0.25的统计奇偶差异（SPD），机会均等的差异（EOD）为-0.30，针对原始模型计算的公平措施揭示了针对某些人群群体的显着偏见。我们使用了三种主要的缓解策略：预处理，进行中心和后处理，以抵消这些偏见。对培训数据进行了取样和平衡，将DI提高到0.85，SPD至-0.10，EOD至-0.15。措施通过处理要好得多，这可以直接在学习算法中增加公平性限制，DI为0.90，SPD为-0.05，EOD为-0.10。最成功的是后处理修改，它改变了模型输出以确保公平性；他们产生的DI为0.95，SPD为-0.02，EOD为-0.05。这些结果支持已经出版的研究，并证明AI中的偏见是一个复杂且持久的问题，需要采取多维策略。本文强调了持续的审计，开放性和多学科合作如何减少偏见。营销人员，AI从业者和立法者将发现深刻的后果，这强调了道德AI方法的要求，以维护客户信心并遵守法律。这种方法推进了有关AI伦理学的更大讨论，促进正义，并减少了AI驱动的营销系统中的偏见。
AI驱动的目标营销中的偏差检测和缓解效果
主要关键词
相关文件推荐
