At sikre, at en AI ikke er fordomsfuld, handler om at have styr på hele processen fra start til slut. Det første skridt er at kigge på de data, man bruger til at træne systemet. Hvis de data indeholder historiske uligheder, vil AI'en blot lære og gentage disse fejl. Man skal derfor løbende teste sine datasæt for at se, om visse grupper er underrepræsenterede eller skævt fordelt.
For at dokumentere arbejdet skal virksomheder implementere faste kontrolpunkter. Det kan være systematiske audits, hvor man tester AI'ens output for bias gennem regelmæssige målinger. Man bør bruge matematiske metoder til at måle lighed i resultaterne på tværs af forskellige demografiske grupper. Ved at føre en detaljeret log over alle træningsprocesser og de valg, man træffer, skaber man en sporbar dokumentation.
Det er dog vigtigt at forstå, at man aldrig kan give en 100 procent garanti for fravær af bias, da teknologien udvikler sig. Man kan i stedet tale om at minimere risikoen gennem kontinuerlig overvågning og menneskelig kontrol. Ved at inddrage forskellige faggrupper i udviklingen sikrer man også, at man opdager potentielle skævheder, som teknikere måske overser."}
}
