At fjerne bias kræver en systematisk tilgang, der starter længe før koden skrives. Det første skridt er en grundig gennemgang af træningsdata. Hvis de data, vi fodrer modellen med, afspejler historiske uligheder, vil algoritmen blot automatisere og forstærke disse mønstre. Man bør derfor bruge statistiske metoder til at teste for underrepræsentation af bestemte grupper.
Tekniske standarder bør indeholde krav om 'algorithmic auditing'. Det betyder, at uafhængige tredjeparter skal teste systemet for skævheder i outputtet. Man kan anvende matematiske metrikker som 'disparate impact' for at måle, om visse demografiske grupper systematisk får dårligere resultater. Det er ikke nok at kigge på den samlede nøjagtighed; man skal kigge på fejlraterne for hver enkelt undergruppe separat.
Kontrolmekanismer skal også inkludere 'human-in-the-loop' princippet. Selv den mest avancerede model kan overse kontekstuelle nuancer, som et menneske opfanger. Ved at indføre faste kontrolpunkter, hvor eksperter gennemgår de mest kontroversielle beslutninger, skabes et sikkerhedsnet. Transparens er også afgørende. Hvis vi ikke kan forklare, hvorfor en algoritme har truffet en beslutning, kan vi heller ikke rette fejlen, når den opstår.
