Umgang mit fehlenden Daten
Techniken (z.B. Imputation, Löschung, Modellierung) zur Schließung von Lücken in Datensätzen, um die Integrität und Fairness des Modells zu bewahren.
Fehlwerte können Modelle verzerren oder die Genauigkeit verringern. Die Governance umfasst folgende Strategien: Löschung (Entfernung unvollständiger Datensätze), Imputation (Mittelwert, Median, modellbasiert) oder explizite Fehlwert-Indikatorfunktionen. Jede Entscheidung muss dokumentiert, ihre Auswirkungen auf die nachgelagerte Fairness bewertet und Pipelines so konfiguriert werden, dass sie mit fehlenden Werten konsistent in der Produktion umgehen.
Ein Datensatz über Kreditrisiken hat 15 % fehlende Einkommenswerte. Das Team vergleicht die Methoden der Mittelwert-Imputation, KNN-Imputation und ein prädiktives Imputationsmodell. Sie wählen die KNN-Imputation (geringstes RMSE), fügen ein binäres Merkmal "war_Einkommen_fehlend" hinzu und validieren, dass die Imputation die Genehmigungsraten für benachteiligte Gruppen nicht verzerrt.
Wir helfen Ihnen, Antworten zu finden
Welches Problem löst Enzai?
Enzai bietet eine Infrastruktur auf Unternehmensniveau, um KI-Risiken und Compliance zu verwalten. Es schafft ein zentrales Aufzeichnungssystem, in dem KI-Systeme, Modelle, Datensätze und Governance-Entscheidungen dokumentiert, bewertet und prüfbar sind.
Für wen ist Enzai entwickelt?
Wie unterscheidet sich Enzai von anderen Governance-Tools?
Können wir beginnen, wenn wir keinen vorhandenen AI-Governance-Prozess haben?
Verlangsamt die KI-Governance die Innovation?
Wie bleibt Enzai im Einklang mit den sich entwickelnden KI-Vorschriften?
Forschung, Einblicke und Neuigkeiten
Ermöglichen Sie Ihrer Organisation die Einführung, Steuerung und Überwachung von KI mit unternehmensgerechtem Vertrauen. Entwickelt für regulierte Organisationen, die im großen Maßstab operieren.