Når man arbejder med kunstig intelligens, kan data ubevidst indeholde skævheder eller bias. For at modvirke dette kan udviklere bruge forskellige tekniske metoder i forskellige faser af processen. Man kan starte med præprocessering, hvor man justerer selve datasættet før træningen begynder. Dette kan gøres ved at oversample underrepræsenterede grupper eller fjerne følsomme variabler, der kan skabe ulighed.
Under selve træningen af modellen kan man benytte algoritmiske løsninger som fairness-constraints. Det betyder, at man indbygger matematiske regler direkte i algoritmens optimeringsfunktion, så modellen bliver straffet, hvis den træffer beslutninger baseret på biased mønstre. Man kan også bruge teknikker som adversarial debiasing, hvor en anden algoritme forsøger at gætte beskyttede egenskaber som køn eller etnicitet ud fra modellens output. Hvis denne algoritme fejler, ved man, at modellen er mere retfærdig.
Efter træningen er det vigtigt at bruge post-processing metoder. Her justerer man modellens tærskelværdier for forskellige grupper for at sikre, at udfaldet bliver ligeligt fordelt. Ved løbende at overvåge og teste sine modeller for disse skævheder, kan man skabe mere retfærdige systemer.
