MLOps：面向政策制定者的机器学习新前沿入门

本章以数据科学家或 MLOps 专业人员为预期读者，但也可作为政策制定者、改革者、AI 伦理学家、社会学家及其他寻求有助于减少算法偏见方法之人士的参考资料。我将采取以部署为中心的视角，并假定阅读本文的专业人员已读过 Gebru、Buolamwini、Benjamin 与 Shane 等人关于算法对历史上被边缘化群体影响的杰出著作。若您尚未阅读那些作品，我建议您参阅本文末尾的“伦理模型构建重要阅读”清单，其将助您建立更整体地思考机器学习模型、考量其对边缘化人群影响的框架。在本章引言中，我将他们的著作意义植根于真实案例：当模型在未收集透明训练数据的情况下部署，且从业者在模型适配并利用其训练环境与真实世界间隙时未予特别关注，会发生什么。本章其余部分在上述研究者工作基础上，讨论模型在生产后表现的现实，并详述 ML 从业者如何在 MLOps 生命周期中使用工具识别偏见，以缓解真实世界中可能引入模型的偏见。