AIF360
v0.6.1
El kit de herramientas AI Fairness 360 es una biblioteca extensible de código abierto que contiene técnicas desarrolladas por la comunidad de investigación para ayudar a detectar y mitigar sesgos en los modelos de aprendizaje automático a lo largo del ciclo de vida de las aplicaciones de IA. El paquete AI Fairness 360 está disponible tanto en Python como en R.
El paquete AI Fairness 360 incluye
La experiencia interactiva AI Fairness 360 proporciona una suave introducción a los conceptos y capacidades. Los tutoriales y otros cuadernos ofrecen una introducción más profunda y orientada a los científicos de datos. La API completa también está disponible.
Al ser un conjunto completo de capacidades, puede resultar confuso determinar qué métricas y algoritmos son los más apropiados para un caso de uso determinado. Para ayudar, hemos creado algunos materiales de orientación que se pueden consultar.
Hemos desarrollado el paquete teniendo en cuenta la extensibilidad. Esta biblioteca aún está en desarrollo. Fomentamos la contribución de sus métricas, explicadores y algoritmos de desescalamiento.
¡Ponte en contacto con nosotros en Slack (invitación aquí)!
install.packages( " aif360 " )Para obtener más detalles sobre la configuración de R, consulte las instrucciones aquí.
Configuraciones de Python compatibles:
| SO | Versión de Python |
|---|---|
| macos | 3.8 – 3.11 |
| ubuntu | 3.8 – 3.11 |
| ventanas | 3.8 – 3.11 |
AIF360 requiere versiones específicas de muchos paquetes de Python que pueden entrar en conflicto con otros proyectos de su sistema. Se recomienda encarecidamente un administrador de entorno virtual para garantizar que las dependencias se puedan instalar de forma segura. Si tiene problemas para instalar AIF360, intente esto primero.
Se recomienda Conda para todas las configuraciones, aunque Virtualenv generalmente es intercambiable para nuestros propósitos. Miniconda es suficiente (consulte la diferencia entre Anaconda y Miniconda si tiene curiosidad) si aún no tiene Conda instalado.
Luego, para crear un nuevo entorno Python 3.11, ejecute:
conda create --name aif360 python=3.11
conda activate aif360 El shell ahora debería verse como (aif360) $ . Para desactivar el entorno, ejecute:
(aif360)$ conda deactivate El mensaje volverá a $ .
pipPara instalar la última versión estable de PyPI, ejecute:
pip install aif360Nota: Algunos algoritmos requieren dependencias adicionales (aunque todas las métricas funcionarán de forma inmediata). Para instalar con ciertas dependencias de algoritmo incluidas, ejecute, por ejemplo:
pip install ' aif360[LFR,OptimPreproc] 'o, para una funcionalidad completa, ejecute:
pip install ' aif360[all] ' Las opciones de extras disponibles son: OptimPreproc, LFR, AdversarialDebiasing, DisparateImpactRemover, LIME, ART, Reductions, FairAdapt, inFairness, LawSchoolGPA, notebooks, tests, docs, all
Si encuentra algún error, intente los pasos de solución de problemas.
Clona la última versión de este repositorio:
git clone https://github.com/Trusted-AI/AIF360Si desea ejecutar los ejemplos, descargue los conjuntos de datos ahora y colóquelos en sus respectivas carpetas como se describe en aif360/data/README.md.
Luego, navegue hasta el directorio raíz del proyecto y ejecute:
pip install --editable ' .[all] ' Para ejecutar los cuadernos de ejemplo, complete los pasos de instalación manual anteriores. Luego, si no utilizó la opción [all] , instale los requisitos adicionales de la siguiente manera:
pip install -e ' .[notebooks] 'Finalmente, si aún no lo hizo, descargue los conjuntos de datos como se describe en aif360/data/README.md.
Si encuentra algún error durante el proceso de instalación, busque su problema aquí y pruebe las soluciones.
Consulte la página Instalar TensorFlow con pip para obtener instrucciones detalladas.
Nota: requerimos 'tensorflow >= 1.13.1' .
Una vez instalado tensorflow, intente volver a ejecutar:
pip install ' aif360[AdversarialDebiasing] ' TensorFlow solo es necesario para su uso con la clase aif360.algorithms.inprocessing.AdversarialDebiasing .
En MacOS, es posible que primero tengas que instalar las herramientas de línea de comandos de Xcode si nunca antes lo has hecho:
xcode-select --installEn Windows, es posible que necesite descargar las herramientas de compilación de Microsoft C++ para Visual Studio 2019. Consulte la página de instalación de CVXPY para obtener instrucciones actualizadas.
Luego, intente reinstalar a través de:
pip install ' aif360[OptimPreproc] ' CVXPY solo es necesario para su uso con la clase aif360.algorithms.preprocessing.OptimPreproc .
El directorio examples contiene una colección diversa de cuadernos jupyter que utilizan AI Fairness 360 de diversas formas. Tanto los tutoriales como las demostraciones ilustran el código de trabajo utilizando AIF360. Los tutoriales proporcionan discusión adicional que guía al usuario a través de los distintos pasos del cuaderno. Vea los detalles sobre tutoriales y demostraciones aquí.
En este documento se encuentra disponible una descripción técnica de AI Fairness 360. A continuación se muestra la entrada bibtex para este artículo.
@misc{aif360-oct-2018,
title = "{AI Fairness} 360: An Extensible Toolkit for Detecting, Understanding, and Mitigating Unwanted Algorithmic Bias",
author = {Rachel K. E. Bellamy and Kuntal Dey and Michael Hind and
Samuel C. Hoffman and Stephanie Houde and Kalapriya Kannan and
Pranay Lohia and Jacquelyn Martino and Sameep Mehta and
Aleksandra Mojsilovic and Seema Nagar and Karthikeyan Natesan Ramamurthy and
John Richards and Diptikalyan Saha and Prasanna Sattigeri and
Moninder Singh and Kush R. Varshney and Yunfeng Zhang},
month = oct,
year = {2018},
url = {https://arxiv.org/abs/1810.01943}
}
La bifurcación de desarrollo para Rich Subgroup Fairness ( inprocessing/gerryfair_classifier.py ) está aquí. Las contribuciones son bienvenidas y puede encontrar una lista de posibles contribuciones de los autores aquí.
