As Artificial Intelligence (AI) becomes more common in decision-making systems, bias in AI, causing unfair consequences, becomes an important issue. This thesis aims to investigate and mitigate AI bias by utilizing the open-source fairness tools AI Fairness 360 and Fairlearn together, creating an ensemble system in the Python programming language. The system aims to investigate whether an ensemble approach with multiple AI predictors can reduce bias while maintaining accuracy and performance. The system is designed to be usable without coding skills and incorporates an automatic mode and a manual mode to provide value for users with different levels of field knowledge. It also presents performance evaluations of models to provide useful insight. The project results show that while bias cannot be entirely eliminated, the implemented ensemble approaches have some potential in removing parts of it. We also suggest improvements to the system, among them are explanations of key concepts, making the tool more informative, and adding more options to specialize model training to target specific biases.

När artificiell intelligens (AI) blir vanligare i beslutsfattande system ökar allvarligheten i AI:s skevhet och snedvridning som får orättvisa konsekvenser. Detta kandidatarbete syftar till att undersöka och mildra skevhet i AI genom att använda open source-verktygen AI Fairness 360 och Fairlearn ihop och skapa ett ensemble-system i programmeringsspråket Python. Systemets syfte är att undersöka huruvida en ensemble-metod med flera förutsägande AI-modeller kan mildra skevhet utan att offra precision eller prestanda. Systemet är designat för att gå att använda utan förkunskaper inom kodning och implementerar ett automatiskt läge och ett manuellt läge för att ge användare värde oavsett deras kunskapsnivå inom AI. Det presenterar också utvärderingar av modellernas resultat för att möjliggöra värdefulla insikter. Projektets resultat visar att även om skevhet inte kan elimineras fullständigt, så har de implementerade ensemble-metoderna viss potential att eliminera delar av den. Vi föreslår även förbättringar till systemet, bland annat förklaringar av nyckelbegrepp som ska göra systemet mer informativt och fler alternativ för att specifiera modellträning för att inrikta sig på specifika skevheter.