TGTGInsighttelegram intelligenceLIVE / telegram public index
← Python Заметки

TGINSIGHT SIMILAR POSTS

Најди сличен содржај

Изворен канал @pythonotes · Post #197 · 4 јан.

Подразумеваемые неймспейсы или неявные пакеты. Этот функционал добавлен в Python 3.3 Что он означает? Ранее, до 3.3 пакетами считались лишь директории, в которых есть файл __init__.py. Этот файл одновременно являлся свидетельством того, что директория это Python-пакет, и служил "телом" этого пакета. То есть местом, где можно написать код, как это делается внутри модуля. Этот код исполняется в момент импорта пакета, так что его принято называть "код инициализации пакета". Начиная с версии 3.3 Любая директория считается пакетом и Python будет пытаться использовать любую директорию для импорта. Конечно, не любую в файловой системе, а только те что находятся в sys.path. Это значит, что теперь __init__.py нужно делать только если: 🔸 вам требуется создать код инициализации пакета 🔸 нужна совместимость со старыми версиями Python На мой взгляд это немного упрощает разработку, делает её чище, но с другой стороны убивает некоторую однозначность происходящего. Например, я создал репозиторий со своей библиотекой и рядом положил код примеров или тестов. repo_name/ my_library/ __init__.py main.py examples/ exam1.py exam2.py В этом репозитории пакетом является только my_library, остальные директории это не пакеты, это просто дополнительный код в файлах. Директория examples не добавлена в sys.path, в ней нет рабочих модулей. Но если она лежит рядом с my_library, то Python вполне сможет импортнуть из неё модули, так как посчитает что examples это валидный пакет. Конечно, пример несколько надуманный. Никто не будет добавлять корень репозитория в sys.path. Но, я думаю, суть ясна. Иногда директория это просто директория а не пакет! #basic#pep

Hashtags

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

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