eFAIR

Hoe kunnen we garanderen dat AI-beslissingen gerechtvaardigd zijn en geen onbedoelde vooroordelen of discriminatie in stand houden? Binnen het eFAIR-project ontwikkelen de Hogeschool Utrecht, MavenBlue en het Verbond van Verzekeraars een raamwerk waarmee organisaties hoe kwantitatieve technische eerlijkheidsscores kunnen koppelen aan de beslissingen die ze moeten noemen rond AI. 

Het eFAIR-project onderzoekt hoe Explainable AI (XAI) kan bijdragen aan het transparant en begrijpelijk maken van fairnessmaten en -principes voor verschillende gebruikersgroepen. Het project ontwikkelt een raamwerk dat fairnessmaten dynamisch presenteert, rekening houdend met de kennis en behoeften van specifieke gebruikersgroepen. Het raamwerk zal interactief en modulair zijn, zodat het kan worden aangepast aan verschillende gebruikers, van technische experts tot beleidsmakers en eindgebruikers. 

• Praktijkpublicatie: Een open-accesspublicatie over de gebruikersbehoeften rond het uitleggen van fairness  


• Open-sourcetool: Een set visualisatietechnieken voor fairnessmaten  


• Wetenschappelijke publicatie: Een literatuurstudie over hoe eerlijkheidsmaten kunnen worden uitgelegd  


• Open-sourcesoftware: Een online demonstratietool waarmee fairnessmaten interactief kunnen worden verkend  


• Praktijkpublicatie 2: Richtlijnen en best practices  


• Wetenschappelijke publicatie 2: Een verslag van de testresultaten van de eFAIR-tool 

Via literatuurstudies, interviews en vragenlijsten brengen we behoeften en mogelijke oplossingen in kaart. We ontwikkelen prototypes van een eFAIR-raamwerk. Het raamwerk wordt gevalideerd aan de hand van concrete casestudies binnen de verzekeringssector en andere financiële sectoren.