ترجمه فارسی مقاله انصاف القایی توسط همتا: رویکردی علّی برای حسابرسی انصاف الگوریتمی

چکیده

With the European Union’s Artificial Intelligence Act taking effect on 1 August 2024, high-risk AI applications must adhere to stringent transparency and fairness standards. This paper addresses a crucial question: how can we scientifically audit algorithmic fairness? Current methods typically remain at the basic detection stage of auditing, without accounting for more complex scenarios. We propose a novel framework, “peer-induced fairness”, which combines the strengths of counterfactual fairness and peer comparison strategy, creating a reliable and robust tool for auditing algorithmic fairness. Our framework is universal, adaptable to various domains, and capable of handling different levels of data quality, including skewed distributions. Moreover, it can distinguish whether adverse decisions result from algorithmic discrimination or inherent limitations of the subjects, thereby enhancing transparency. This framework can serve as both a self-assessment tool for AI developers and an external assessment tool for auditors to ensure compliance with the EU AI Act. We demonstrate its utility in small and medium-sized enterprises access to finance, uncovering significant unfairness-41.51% of micro-firms face discrimination compared to non-micro firms. These findings highlight the framework’s potential for broader applications in ensuring equitable AI-driven decision-making.

چکیده به فارسی (ترجمه ماشینی)

با اجرای قانون هوش مصنوعی اتحادیه اروپا در تاریخ 1 اوت 2024 ، برنامه های هوش مصنوعی پرخطر باید از استانداردهای شفاف و انصاف دقیق پیروی کنند.در این مقاله به یک سؤال مهم می پردازد: چگونه می توانیم از نظر علمی انصاف الگوریتمی حسابرسی کنیم؟روشهای فعلی به طور معمول در مرحله اصلی تشخیص حسابرسی باقی می مانند ، بدون اینکه سناریوهای پیچیده تری را حساب کنند.ما یک چارچوب جدید ، “انصاف ناشی از همسالان” را پیشنهاد می کنیم ، که ترکیب نقاط قوت عدالت ضد خلاف و استراتژی مقایسه همسالان ، ایجاد یک ابزار قابل اعتماد و قوی برای ممیزی الگوریتمی است.چارچوب ما جهانی ، سازگار با دامنه های مختلف است و قادر به دستیابی به سطوح مختلف کیفیت داده ها ، از جمله توزیع های کم رنگ است.علاوه بر این ، می تواند تشخیص دهد که آیا تصمیمات جانبی ناشی از تبعیض الگوریتمی یا محدودیت های ذاتی افراد است ، در نتیجه شفافیت را افزایش می دهد.این چارچوب می تواند به عنوان یک ابزار خود ارزیابی برای توسعه دهندگان هوش مصنوعی و هم یک ابزار ارزیابی خارجی برای حسابرسان برای اطمینان از رعایت قانون اتحادیه اروپا در اتحادیه اروپا باشد.ما ابزار آن را در شرکت های کوچک و متوسط ​​به امور مالی نشان می دهیم ، و از ناعادلانه بودن قابل توجهی 41.51 ٪ از شرکتهای خرد در مقایسه با شرکتهای غیر میکرو پرده برداشت.این یافته ها پتانسیل چارچوب را برای کاربردهای گسترده تر در تضمین تصمیم گیری عادلانه AI محور برجسته می کند.