Hoe kan je rekening houden met maatschappelijke vooroordelen en structurele ongelijkheden in een AI zorgsysteem? Om je hierbij te helpen ontwikkelde het Kenniscentrum Data & Maatschappij en VIVES Hogeschool de AI Blindspots healthcare kaartenset.

Hoe kan je rekening houden met maatschappelijke vooroordelen en structurele ongelijkheden voor, tijdens en na de ontwikkeling van je data- of AI-toepassing? Om je hierbij te helpen ontwikkelde het Kenniscentrum Data & Maatschappij deze AI Blindspots kaartenset.

Aequitas is een auditing tool die nakijkt of er vooroordelen aanwezig zijn in de data en in de modellen die je gebruikt. Dit gebeurt in de vorm van een audit die uitgevoerd kan worden via een desktop of online tool.

Deze door en voor jongeren gemaakte toolkit is bedoeld om de online ervaringen van jongeren te delen met beleidsmakers, regulators en de ICT-industrie.

Met het Data Collection Bias Assessment formulier leg je vanaf het begin van de datacollectie enkele keuzes vast zodat je eventuele vooroordelen in een vroeg stadium kan ontdekken.

Hoe kan je rekening houden met mogelijke vooroordelen en structurele ongelijkheden voor, tijdens en na de ontwikkeling van een AI-systeem? Om je hierbij te kunnen helpen, ontwikkelden het Kenniscentrum Data & Maatschappij en Agoria de AI Blindspots kaartenset.