For at modvirke diskriminering i den offentlige sektors brug af AI skal der implementeres en flerlagstilgang bestående af både tekniske og organisatoriske kontrolmekanismer. En central ramme er kravet om datakvalitet og repræsentativitet. Det betyder, at man før træning skal udføre omfattende statistiske analyser for at identificere og korrigere skævheder i de historiske datasæt, som teknologien lærer fra.
Tekniske mekanismer som 'algorithmic auditing' er afgørende. Her testes modellen systematisk for at se, om den behandler beslægtede grupper forskelligt baseret på beskyttede karakteristika som køn, etnicitet eller alder. Desuden bør man anvende metoder som 'explainability', der gør det muligt for sagsbehandlere at forstå, hvorfor en algoritme er nået frem til et specifikt resultat. Dette sikrer, at beslutningsgrundlaget altid kan efterprøves menneskeligt.
Organisatorisk bør der etableres etiske råd og faste procedurer for konsekvensanalyser vedrørende grundlæggende rettigheder. Ved at kombinere løbende monitorering af algoritmens output med menneskelig overvågning, skabes et sikkerhedsnet, der opfanger bias, før det fører til uretmæssig forskelsbehandling af borgerne.
