Automatisering
AI Bias
Systematiske skjevheter i AI-systemer som kan føre til urettferdige eller diskriminerende resultater.
Oppdatert: 2026-01
Hva er ai bias?
AI Bias er systematiske skjevheter i AI-systemer som oppstår fra treningsdata eller modelldesign.
Typer bias:
- Data bias: Treningsdata representerer ikke virkeligheten
- Algoritmisk bias: Modellen forsterker mønstre fra data
- Utvelgelses-bias: Visse grupper over-/underrepresentert
Eksempler: Ansettelsesverktøy som diskriminerer kvinner, ansiktsgjenkjenning som feiler på mørk hud.
Hvorfor er det viktig?
AI Bias kan ha alvorlige konsekvenser:
- Diskriminering i ansettelser og lån
- Urettferdige beslutninger i rettsvesen
- Ekskludering av grupper fra tjenester
- Forsterking av samfunnsproblemer
EU AI Act krever nå testing for bias i høyrisiko-systemer.
Hvordan bruke det?
- Vær bevisst: AI reflekterer data den er trent på
- Test for bias: Sjekk resultater på tvers av grupper
- Diversifiser data: Sikre representativt treningsett
- Menneskelig tilsyn: Ikke la AI ta kritiske beslutninger alene
- Dokumenter: Transparens om hvordan AI-en fungerer