For at sikre, at en kunstig intelligens ikke overtager menneskelige fordomme, arbejder man med flere forskellige metoder i processen. Det handler grundlæggende om at rense de data, som modellen skal lære fra, før selve træningen begynder.
En af de mest almindelige metoder er datakuratering. Her gennemgår man manuelt eller via algoritmer de datasæt, man bruger, for at identificere og fjerne repræsentationelle skævheder. Det kan for eksempel være at sikre, at man har lige mange eksempler fra forskellige køn eller etniske grupper, så modellen ikke får et ensidigt billede af verden.
En anden teknik er vægtning af data. Hvis man ved, at et bestemt datasæt indeholder en tendens til bias, kan man give de modstridende eksempler mere vægt under træningen. Man kan også bruge teknisk præ-processering, hvor man bruger matematiske algoritmer til at transformere dataene, så de statistiske sammenhænge mellem følsomme attributter og resultater bliver minimeret.
Ved at kombinere disse metoder forsøger man at skabe et mere retfærdigt fundament for teknologien, så den ikke gentager historiske eller sociale uretfærdigheder i sine svar.
