Skip to main content

> ML_KUTUPHANE // FAIRLEARN_v1.0

Fairlearn

Fairlearn Community / NumFOCUS / Microsoft — Algoritmik adilliği denetlemek ve demografik eşitsizlikleri azaltmak için topluluk odaklı Python kütüphanesi.

privacy-security-optimizationv0.11.0MITqualified
Resmi DokümantasyonKaynak Kod Deposu

Model Eğitimi (Training)

Destekleniyor
Desteklenen Hızlandırıcılar:
CPU
Dağıtık Eğitim (Distributed):Hayır

Model Sunumu (Inference)

Destekleniyor
Inference Hızlandırıcıları:
CPU
Hedef Ortamlar (Targets):server

Neleri Sağlar (Ne Yapar)

  • +Korumalı gruplar genelinde eşitsizlik değerlendirme metrikleri: MetricFrame, demografik eşitlik farkı/oranı, eşitlenmiş olasılıklar
  • +Eğitim sırasında adillik kısıtlamalarını zorunlu kılan süreç içi azaltma algoritmaları (ExponentiatedGradient, GridSearch)
  • +Demografik grup başına karar eşiklerini kalibre eden süreç sonrası azaltma algoritmaları (ThresholdOptimizer)
  • +scikit-learn Tahminleyici ve Boru Hattı nesneleriyle sorunsuz entegrasyon

Neleri Sağlamaz (Ne Yapmaz)

  • -Alan müdahalesi olmadan sistemik gerçek dünya tarihsel yanlılığını otomatik olarak düzeltme
  • -Üretken görme veya metin halüsinasyonlarını doğrudan denetleme
  • -Modelleri doğrudan üretim REST API'lerine dağıtma

>Uygun İş Tipleri

  • Cinsiyet veya etnik köken eşitsizliği açısından işe alım ve özgeçmiş tarama algoritmalarını denetleme
  • Korumalı yaş veya ırk kategorilerinde kredi değerlendirme modellerinde eşitlenmiş olasılıkları zorunlu kılma
  • Tahmine dayalı sağlık hizmetlerinde demografik alt gruplar arasındaki performans açıklarını ölçme

>Uygun Olmayan İş Tipleri

  • Büyük dil modeli ön eğitim güvenlik filtreleri
  • Adillik kriterlerinin geçerli olmadığı düşük gecikmeli algoritmik ticaret
Veri Yerleşimi ve İkameti

Yalnızca yerel bellekte çalışır. Harici sunuculara sıfır veri gönderilir.

Güvenlik Değerlendirmesi

İzin verici MIT lisansı. Kurumsal denetim ve yönetişim hatları için güvenlidir.

Operasyonel Metrikler ve Bilinen Kısıtlar

Olgunluk:mature
Öğrenme Eğrisi:moderate
Operasyon Yükü:low
Maliyet Seviyesi:free-oss
> Bilinen Kısıtlamalar:
  • ExponentiatedGradient süreç içi azaltma yöntemi temel tahminleyiciyi onlarca kez yeniden eğitir, bu da büyük veri kümelerinde önemli eğitim ek yüküne neden olur.

İlişkili Üretim Arıza Paternleri (Incidentpedia)

Bu kütüphaneyi üretimde kullanırken aşağıdaki arıza senaryolarına karşı fail-closed korumalar uygulayın:

training-serving-skew

> Birincil Kanıt ve Doğrulama Kaynakları

Fairlearn Documentationofficial-docs • >=0.10.0, <=0.11.x
2026-09-25HIGH