For at undgå bias i kunstig intelligens skal man gribe ind, før selve træningen går i gang. Det vigtigste skridt er at kigge grundigt på de data, man indsamler. Hvis dine data f.eks. kun indeholder information fra én bestemt gruppe mennesker, vil modellen uundgåeligt blive skæv.
En effektiv metode er rensning af data, hvor man fjerner eller ændrer følsomme attributter som køn, race eller alder, hvis de ikke er nødvendige for opgaven. Man kan også bruge tekniske metoder som oversampling eller undersampling. Det betyder, at man kunstigt øger mængden af data fra underrepræsenterede grupper eller fjerner data fra overrepræsenterede grupper, så balancen bliver korrekt.
Man kan også bruge syntetisk datagenerering, hvor man skaber nye, kunstige datapunkter for at udfylde huller i datasættet. Derudover er det vigtigt at følge reguleringer som GDPR, der stiller krav om retfærdighed og gennemsigtighed. Ved at implementere disse metoder tidligt i processen kan udviklere opbygge langt mere retfærdige og pålidelige modeller, der fungerer ens for alle brugere uanset baggrund.
