Übersicht
Worum es bei diesem Projekt geht.
Du erhältst die Modell-Vorhersagen auf einer Bestandskunden-Stichprobe (10.000 Datensätze) plus die tatsächlichen Rückzahlungs-Ergebnisse. Berechne mindestens vier Fairness-Metriken: Demographic Parity Difference (Unterschied der Genehmigungsraten zwischen Gruppen), Equalized Odds Difference (Unterschied der True-Positive- und False-Positive-Raten), Predictive Parity Difference (Unterschied der positiven Vorhersagewerte) und Calibration-Unterschiede pro Gruppe. Berichte alle Metriken mit Bootstrap-CIs. Diskutiere unmögliche Vereinbarkeiten (z. B. Calibration und Equalized Odds sind bei unterschiedlichen Basiswahrscheinlichkeiten mathematisch nicht gleichzeitig erfüllbar). Liefere ein Audit-Memo mit klarer Aussage und drei konkreten Empfehlungen.
Das Briefing
Was Du tust und was Du zeigst.
Wie umfassend und ehrlich lässt sich ein bestehendes Kreditscoring-Modell auf Subgruppen-Fairness prüfen, inklusive der unmöglichen Vereinbarkeiten zwischen verschiedenen Fairness-Definitionen?
Earning criteria — what you'll demonstrate
- Verschiedene Fairness-Metriken methodisch korrekt berechnen und auseinanderhalten
- Kalibrierungs-Analyse als zentrales Element eines Fairness-Audits einsetzen
- Unmögliche Vereinbarkeiten zwischen Fairness-Definitionen verstehen und kommunizieren
- Audit-Empfehlungen aus quantitativen Befunden ableiten
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
AI Safety Researcher
Fairness ist ein Kernfeld der AI Safety. Die Challenge übt sowohl die Metrik-Berechnung als auch die theoretische Diskussion der Vereinbarkeiten — beides Pflicht für Safety-Auditor:innen.
Dieses Projekt schärft
- fairness-metrics
- calibration-analysis
- audit-reporting
Data Scientist
Data Scientists in regulierten Branchen werden zunehmend selbst Fairness-Audits liefern. Diese Challenge baut das volle methodische Repertoire dafür auf.
Dieses Projekt schärft
- fairness-metrics
- demographic-parity
- equalized-odds
ML Researcher
Die theoretische Tiefe der unmöglichen Vereinbarkeiten ist ML-Researcher-Material — die Challenge zwingt zur sauberen Auseinandersetzung mit den Grundlagen.
Dieses Projekt schärft
- fairness-metrics
- calibration-analysis
- python
Noch eine Sache