Најди сличен содржај

Изворен канал @pythonotes · Post #146 · 16 сеп.

Функция sub в regex может принимать функцию в качестве аргумента repl. 📄 Из документации: If repl is a function, it is called for every non-overlapping occurrence of pattern. The function takes a single match object argument, and returns the replacement string. То есть для каждого совпадения будет вызвана функция для вычисления замены вместо замены на одну и ту же строку для всех совпадений. Иными словами, для замены разных совпадений на разные строки не потребуется запускать re.sub() много раз для каждой строки замены. Достаточно определить функцию, которая вернёт строку для каждого из совпадений. Описание слишком запутанное🤔, давайте лучше рассмотрим на простом примере: Создаем карту замены. То есть какие строки на какие требуется менять. remap = { 'раз': '1', 'два': '2', 'три': '3', 'четыре': '4', 'пять': '5', } Пишем функцию поиска строки для замены. Единственным аргументом будет объект re.Match. Используя данные этого объекта мы вычисляем замену on-the-fly! def get_str(match: re.Match): word = match.group(1) return remap.get(word.lower()) or word Пример текста. text = '''Раз Два Три Четыре Пять Вместе будем мы считать Пять Четыре Три Два Раз Мы считать научим вас ''' Теперь запускаем re.sub и вместо строки замены (repl) подаём имя функции. (Данный паттерн ищет отдельные слова в тексте) >>> print(re.sub(r'(\w+)', get_str, text)) 1 2 3 4 5 Вместе будем мы считать 5 4 3 2 1 Мы считать научим вас Думаю, достаточно наглядно 🤓 #libs#regex

Hashtags

#libs #regex

Резултати

Пронајдени 1 слични објави

Пребарај: #explainableai

当前筛选 #explainableai清除筛选

AI & Law

@ai_and_law · Post #295 · 26.04.2024 г., 07:04

Најди слично Погледај

Lost in Translation: AI Explanations Biased Toward Western Cultures? A new study reveals a potential blind spot in AI development: cultural bias in explanations provided by AI systems. As AI plays an increasingly prominent role in decision-making (hiring, healthcare), explainable AI is crucial for user trust and understanding. Explainable AI systems aim to make complex AI models easier to understand by generating explanations for their outputs. The study analyzed over 200 explainable AI user studies, finding a significant bias towards explaining AI decisions in ways preferred by Western populations: Western cultures tend to favor internalist explanations, focusing on the AI's "thinking" or beliefs. Conversely, collectivist cultures might prefer externalist explanations, referencing rules or social norms influencing the AI's output. This bias could lead to: ✅ Reduced trust in AI systems from non-Western users who receive explanations that don't resonate with their cultural background. ✅ Exclusion of valuable populations from the benefits of explainable AI. 94% of studies reviewed showed no awareness of potential cultural variations in explanation preferences. 48% of studies didn't report the cultural background of participants. Studies sampling non-Western populations were scarce (8.4%). Even studies reporting cultural background often generalized findings to broader populations without considering cultural differences. As AI impacts people worldwide, AI systems need to cater to diverse cultural understandings of explanation. #AI#ExplainableAI#Culture#Bias

Hashtags

#ai #explainableai #culture #bias