Google is committed to advancing racial equity for Black communities. See how.
ترجمت واجهة Cloud Translation API‏ هذه الصفحة.
Switch to English

تعرف على كيفية دمج ممارسات الذكاء الاصطناعي المسؤولة في سير عمل التعلم الآلي الخاص بك باستخدام TensorFlow

تلتزم TensorFlow بالمساعدة في إحراز تقدم في التطوير المسؤول للذكاء الاصطناعي من خلال مشاركة مجموعة من الموارد والأدوات مع مجتمع ML.

ما هو الذكاء الاصطناعي المسؤول؟

يخلق تطوير الذكاء الاصطناعي فرصًا جديدة لحل مشاكل العالم الواقعي الصعبة. كما أنها تثير أسئلة جديدة حول أفضل طريقة لبناء أنظمة ذكاء اصطناعي تعود بالنفع على الجميع.

يجب أن يتبع تصميم أنظمة الذكاء الاصطناعي أفضل ممارسات تطوير البرامج مع الأخذ بعين الاعتبار الإنسان
نهج ML

الإنصاف

مع زيادة تأثير الذكاء الاصطناعي عبر القطاعات والمجتمعات ، من الأهمية بمكان العمل من أجل أنظمة عادلة وشاملة للجميع

التفسير

يعد فهم أنظمة الذكاء الاصطناعي والثقة بها أمرًا مهمًا لضمان عملها على النحو المنشود

خصوصية

تحتاج نماذج التدريب من البيانات الحساسة إلى ضمانات تحافظ على الخصوصية

الأمان

يمكن أن يساعد تحديد التهديدات المحتملة في الحفاظ على أنظمة الذكاء الاصطناعي آمنة ومأمونة

الذكاء الاصطناعي المسؤول في سير عمل ML الخاص بك

يمكن دمج ممارسات الذكاء الاصطناعي المسؤولة في كل خطوة من خطوات سير عمل تعلم الآلة. فيما يلي بعض الأسئلة الرئيسية التي يجب مراعاتها في كل مرحلة.

لمن هو نظام ML الخاص بي؟

إن الطريقة التي يختبر بها المستخدمون الفعليون نظامك ضرورية لتقييم التأثير الحقيقي لتوقعاته وتوصياته وقراراته. تأكد من الحصول على مدخلات من مجموعة متنوعة من المستخدمين في وقت مبكر من عملية التطوير الخاصة بك.

هل أستخدم مجموعة بيانات تمثيلية؟

هل يتم أخذ عينات بياناتك بطريقة تمثل المستخدمين لديك (على سبيل المثال ، سيتم استخدامها لجميع الأعمار ، ولكن لديك فقط بيانات تدريب من كبار السن) والإعدادات الواقعية (على سبيل المثال ، سيتم استخدامها على مدار العام ، ولكن لديك تدريب فقط بيانات من الصيف)؟

هل هناك تحيز للعالم الحقيقي / الإنسان في بياناتي؟

يمكن أن تساهم التحيزات الكامنة في البيانات في حلقات التغذية الراجعة المعقدة التي تعزز القوالب النمطية الموجودة.

ما هي الطرق التي يجب علي استخدامها لتدريب نموذجي؟

استخدم أساليب التدريب التي تبني الإنصاف وقابلية التفسير والخصوصية والأمان في النموذج.

كيف هو أداء نموذجي؟

قم بتقييم تجربة المستخدم في سيناريوهات العالم الحقيقي عبر مجموعة واسعة من المستخدمين وحالات الاستخدام وسياقات الاستخدام. قم بالاختبار والتكرار في التطبيق التجريبي أولاً ، متبوعًا بالاختبار المستمر بعد الإطلاق.

هل هناك حلقات تغذية مرتدة معقدة؟

حتى لو تم تصميم كل شيء في تصميم النظام بشكل عام بعناية ، نادرًا ما تعمل النماذج القائمة على ML مع الكمال بنسبة 100٪ عند تطبيقها على البيانات الحية الحقيقية. عندما تحدث مشكلة في منتج مباشر ، فكر فيما إذا كانت تتماشى مع أي عيوب مجتمعية موجودة ، وكيف ستتأثر بالحلول قصيرة وطويلة المدى.

أدوات الذكاء الاصطناعي المسؤولة لـ TensorFlow

يحتوي نظام TensorFlow البيئي على مجموعة من الأدوات والموارد للمساعدة في معالجة بعض الأسئلة أعلاه.

الخطوة 1

تحديد المشكلة

استخدم الموارد التالية لتصميم النماذج مع وضع الذكاء الاصطناعي في الاعتبار.

دليل People + AI Research (PAIR)

تعرف على المزيد حول عملية تطوير الذكاء الاصطناعي والاعتبارات الرئيسية.

مستكشفات زوج

استكشف ، من خلال تصورات تفاعلية ، الأسئلة والمفاهيم الرئيسية في مجال الذكاء الاصطناعي المسؤول.

الخطوة 2

بناء وإعداد البيانات

استخدم الأدوات التالية لفحص البيانات الخاصة بالتحيزات المحتملة.

التحقق من صحة بيانات TF

تحليل البيانات وتحويلها لاكتشاف المشكلات وهندسة مجموعات ميزات أكثر فعالية.

بطاقات البيانات

قم بإنشاء تقرير شفافية لمجموعة البيانات الخاصة بك.

الخطوه 3

بناء وتدريب النموذج

استخدم الأدوات التالية لتدريب النماذج على استخدام تقنيات الحفاظ على الخصوصية وقابلة للتفسير وغير ذلك.

علاج نموذج TF

تدريب نماذج التعلم الآلي لتعزيز نتائج أكثر إنصافًا.

TF الخصوصية

تدريب نماذج التعلم الآلي مع الخصوصية.

فريق العمل الموحد

تدريب نماذج التعلم الآلي باستخدام تقنيات التعلم الموحدة.

تحسين TF مقيد

تحسين المشاكل المقيدة بعدم المساواة.

TF شعرية

تنفيذ نماذج شبكية مرنة وخاضعة للرقابة وقابلة للتفسير.

الخطوة 4

تقييم النموذج

تصحيح وتقييم وتصور أداء النموذج باستخدام الأدوات التالية.

مؤشرات الإنصاف

قم بتقييم مقاييس الإنصاف المحددة بشكل شائع للمصنفات الثنائية ومتعددة الفئات.

تحليل نموذج TF

تقييم النماذج بطريقة موزعة والحساب على شرائح مختلفة من البيانات.

أداة ماذا لو

فحص نماذج التعلم الآلي وتقييمها ومقارنتها.

AI قابل للتفسير

تطوير نماذج التعلم الآلي القابلة للتفسير والشاملة.

اختبارات الخصوصية TF

تقييم خصائص الخصوصية لنماذج التصنيف.

TensorBoard

قياس وتصور سير عمل التعلم الآلي.

الخطوة الخامسة

انشر وراقب

استخدم الأدوات التالية لتتبع سياق النموذج وتفاصيله والتواصل معه.

مجموعة أدوات بطاقة النموذج

قم بإنشاء بطاقات نموذجية بسهولة باستخدام مجموعة أدوات Model Card.

بيانات تعريف ML

تسجيل واسترداد البيانات الوصفية المرتبطة بسير عمل مطور وعالم البيانات.

بطاقات نموذجية

تنظيم الحقائق الأساسية للتعلم الآلي بطريقة منظمة.

أعرف أكثر

تعرف على ما يفعله المجتمع واستكشف طرقًا للمشاركة.

حشد الموارد من جوجل

ساعد منتجات Google في أن تصبح أكثر شمولاً وتمثل لغتك ومنطقتك وثقافتك.

تحدي DevPost المسؤول للذكاء الاصطناعي

استخدم TensorFlow 2.2 لبناء نموذج أو تطبيق مع مراعاة مبادئ الذكاء الاصطناعي المسؤولة.

الذكاء الاصطناعي المسؤول مع TensorFlow (TF Dev Summit '20)

تقديم إطار عمل للتفكير في غسل الأموال والإنصاف والخصوصية.

متابعة