Најди сличен содржај

Изворен канал @pythonotes · Post #65 · 8 апр.

Небольшой трик с регулярными выражениями который редко вижу в чужом коде. Допустим, вам нужно распарсить простой текст и вытащить оттуда пары имя+телефон. Вернуть всё это надо в виде списка словарей. Возьмем очень простой пример текста. >>> text = ''' >>> Alex:8999123456 >>> Mike:+799987654 >>> Oleg:+344456789 >>> ''' Соответственно, для выделения нужных элементов будем использовать группы. Получится такой паттерн: (\w+):([\d+]+) Как мы будем формировать словарь из найденных групп? >>> import re >>> results = [] >>> for match in re.finditer(r"(\w+):([\d+]+)", text): >>> results.append({ >>> "name": match.group(1), >>> "phone": match.group(2) >>> }) >>> print(results) [{'name': 'Alex', 'phone': '8999123456'}, ...] Можно немного сократить запись используя zip >>> results = [] >>> for match in re.finditer(r"(\w+):([\d+]+)", text): >>> results.append(dict(zip(['name', 'phone'], match.groups()))) Но есть способ лучше! Это именованные группы в regex. Можно в паттерне указать имя группы и результат сразу забрать в виде словаря. >>> for match in re.finditer(r"(?P<name>\w+):(?P<phone>[\d+]+)", text): >>> results.append(match.groupdict()) То есть всё что я сделал, это добавил в начале группы (внутри сбокочек) такую запись: (?P<group-name>...) Теперь найденная группа имеет имя и можно обратиться к ней как к элементу списка >>> name = match['name'] Либо забрать сразу весь словарь методом groupdict() >>> match.groupdict() #tricks#regex

Hashtags

#tricks #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