গুগল কালো সম্প্রদায়ের জন্য জাতিগত সমতা উন্নয়নে প্রতিশ্রুতিবদ্ধ। দেখ কিভাবে.
This page was translated by the Cloud Translation API.
Switch to English

টেনসরফ্লো ব্যবহার করে কীভাবে আপনার এমএল ওয়ার্কফ্লোতে দায়বদ্ধ এআই অনুশীলনগুলিকে সংহত করতে হয় তা শিখুন

টেনসরফ্লো এমএল সম্প্রদায়ের সাথে সংস্থান এবং সরঞ্জামের সংগ্রহ ভাগ করে এআইয়ের দায়িত্বশীল বিকাশে অগ্রগতিতে সহায়তা করতে প্রতিশ্রুতিবদ্ধ।

দায়িত্বশীল এআই কি?

এআই এর বিকাশ চ্যালেঞ্জিং, রিয়েল-ওয়ার্ল্ড সমস্যা সমাধানের জন্য নতুন সুযোগ তৈরি করছে। এটি এআই সিস্টেম তৈরির সর্বোত্তম উপায় সম্পর্কেও নতুন প্রশ্ন উত্থাপন করছে যা সবার উপকার করে।

মানবিকেন্দ্রিক নেওয়ার সময় ডিজাইনের এআই সিস্টেমগুলির সফ্টওয়্যার বিকাশের সেরা অনুশীলনগুলি অনুসরণ করা উচিত
এম.এল.

সততা

সেক্টর এবং সোসাইটিগুলিতে এআইয়ের প্রভাব বৃদ্ধি পাওয়ার সাথে সাথে, এমন সিস্টেমগুলির দিকে কাজ করা সমালোচনা করা উচিত যা প্রত্যেকের কাছে ন্যায্য এবং অন্তর্ভুক্ত

Interpretability

এআই সিস্টেমগুলি বোঝা এবং বিশ্বাস করা তাদের উদ্দেশ্য হিসাবে কাজ করছে তা নিশ্চিত করার জন্য গুরুত্বপূর্ণ

গোপনীয়তা

সংবেদনশীল ডেটা ছাড়াই প্রশিক্ষণের মডেলগুলির সুরক্ষার সংরক্ষণের গোপনীয়তা দরকার

নিরাপত্তা

সম্ভাব্য হুমকি সনাক্তকরণ এআই সিস্টেমগুলিকে সুরক্ষিত ও সুরক্ষিত রাখতে সহায়তা করতে পারে

আপনার এমএল কর্মপ্রবাহে দায়বদ্ধ এআই

এমএল কর্মপ্রবাহের প্রতিটি ধাপে দায়িত্বশীল এআই অনুশীলনগুলি সংহত করা যেতে পারে। প্রতিটি পর্যায়ে কিছু মূল প্রশ্ন এখানে বিবেচনা করতে হবে।

আমার এমএল সিস্টেমটি কার জন্য?

আপনার সিস্টেমে প্রকৃত ব্যবহারকারীরা যেভাবে অভিজ্ঞতা লাভ করে তা এর পূর্বাভাস, প্রস্তাবনা এবং সিদ্ধান্তের সত্যিকারের প্রভাব মূল্যায়নের জন্য প্রয়োজনীয়। আপনার বিকাশ প্রক্রিয়া শুরুতে বিভিন্ন ব্যবহারকারীর বিভিন্ন সেট থেকে ইনপুট নেওয়ার বিষয়টি নিশ্চিত করুন।

আমি কি প্রতিনিধি ডেটাসেট ব্যবহার করছি?

আপনার ডেটা কি এমনভাবে নমুনা দেওয়া হয়েছে যা আপনার ব্যবহারকারীদের প্রতিনিধিত্ব করে (যেমন সমস্ত বয়সের জন্য ব্যবহার করা হবে, তবে আপনার কাছে কেবল প্রবীণ নাগরিকদের কাছ থেকে প্রশিক্ষণ ডেটা রয়েছে) এবং আসল ওয়ার্ল্ড সেটিং (উদাহরণস্বরূপ সারা বছর ব্যবহার করা হবে, তবে আপনার কেবল প্রশিক্ষণ রয়েছে গ্রীষ্ম থেকে তথ্য)?

আমার ডেটাতে কি বাস্তব-বিশ্ব / মানব পক্ষপাত রয়েছে?

ডেটাতে অন্তর্নিহিত পক্ষপাতিত্বগুলি জটিল প্রতিক্রিয়ার লুপগুলিতে অবদান রাখতে পারে যা বিদ্যমান স্টেরিওটাইপগুলিকে শক্তিশালী করে।

আমার মডেলটি প্রশিক্ষণের জন্য আমার কোন পদ্ধতি ব্যবহার করা উচিত?

মডেলটিতে ন্যায্যতা, ব্যাখ্যাযোগ্যতা, গোপনীয়তা এবং সুরক্ষা তৈরি করার প্রশিক্ষণ পদ্ধতিগুলি ব্যবহার করুন।

আমার মডেল কেমন পারফর্ম করছে?

ব্যবহারকারীর বিস্তৃত বর্ণালী, ব্যবহারের ক্ষেত্রে এবং ব্যবহারের প্রেক্ষাপটে রিয়েল-ওয়ার্ল্ডের দৃশ্যে ব্যবহারকারী অভিজ্ঞতার মূল্যায়ন করুন। প্রথমে ডগফুডে পরীক্ষা এবং পুনরাবৃত্তি, তারপরে লঞ্চের পরে চালিয়ে যাওয়ার পরীক্ষা চালানো।

জটিল প্রতিক্রিয়া লুপ আছে?

এমনকি সামগ্রিক সিস্টেম ডিজাইনের সমস্ত কিছু যত্ন সহকারে তৈরি করা হলেও, এমএল-ভিত্তিক মডেলগুলি বাস্তব, লাইভ ডেটাতে প্রয়োগ করার সময় খুব কমই 100% পরিপূর্ণতার সাথে কাজ করে। যখন কোনও লাইভ প্রোডাক্টে কোনও সমস্যা দেখা দেয় তখন তা বিদ্যমান বিদ্যমান সামাজিক অসুবিধাগুলির সাথে সামঞ্জস্য করে কিনা এবং এটি কীভাবে স্বল্প ও দীর্ঘমেয়াদী উভয় সমাধান দ্বারা প্রভাবিত হবে তা বিবেচনা করুন।

টেনসরফ্লোর জন্য দায়বদ্ধ এআই সরঞ্জাম

টেনসরফ্লো ইকোসিস্টেমের উপরের কয়েকটি প্রশ্নের সমাধানে সহায়তা করার জন্য সরঞ্জাম এবং সংস্থানগুলির একটি স্যুট রয়েছে।

ধাপ 1

সমস্যা সংজ্ঞায়িত করুন

দায়বদ্ধ এআই মাথায় রেখে মডেলগুলি ডিজাইন করতে নিম্নলিখিত সংস্থানগুলি ব্যবহার করুন।

লোক + এআই গবেষণা (PAIR) গাইড বই

এআই বিকাশ প্রক্রিয়া এবং কী বিবেচনা সম্পর্কে আরও জানুন।

পেয়ার এক্সপ্লোরেশনস

ইন্টারেক্টিভ ভিজ্যুয়ালাইজেশন, দায়বদ্ধ এআইয়ের ক্ষেত্রের মূল প্রশ্ন এবং ধারণাগুলির মাধ্যমে অনুসন্ধান করুন।

ধাপ ২

ডেটা তৈরি এবং প্রস্তুত করুন

সম্ভাব্য পক্ষপাতিত্বের জন্য ডেটা পরীক্ষা করতে নিম্নলিখিত সরঞ্জামগুলি ব্যবহার করুন।

টিএফ ডেটা বৈধকরণ

সমস্যাগুলি সনাক্ত করতে ডেটা বিশ্লেষণ এবং রূপান্তর করুন এবং আরও কার্যকর বৈশিষ্ট্য সেট ইঞ্জিনিয়ার।

ডেটা কার্ড

আপনার ডেটাসেটের জন্য স্বচ্ছতা প্রতিবেদন তৈরি করুন।

ধাপ 3

মডেল তৈরি এবং প্রশিক্ষণ

গোপনীয়তা-সংরক্ষণ, ব্যাখ্যামূলক কৌশল এবং আরও অনেক কিছু ব্যবহার করে মডেলগুলিকে প্রশিক্ষণের জন্য নিম্নলিখিত সরঞ্জামগুলি ব্যবহার করুন।

টিএফ গোপনীয়তা

গোপনীয়তা সহ ট্রেন মেশিন লার্নিং মডেলগুলি।

টিএফ ফেডারেটেড

ফেডারেট শেখার কৌশলগুলি ব্যবহার করে ট্রেন মেশিন লার্নিং মডেলগুলি।

টিএফ সীমিত অপ্টিমাইজেশন

বৈষম্য-সীমাবদ্ধ সমস্যার অনুকূলকরণ ize

টিএফ ল্যাটিস

নমনীয়, নিয়ন্ত্রিত, এবং ব্যাখ্যামূলক ল্যাটিস-ভিত্তিক মডেলগুলি প্রয়োগ করুন।

পদক্ষেপ 4

মডেল মূল্যায়ন

নিম্নলিখিত সরঞ্জামগুলি ব্যবহার করে মডেল কর্মক্ষমতা ডিবাগ করুন, মূল্যায়ন করুন এবং ভিজ্যুয়ালাইজ করুন।

ন্যায্যতা সূচক

বাইনারি এবং বহু-শ্রেণীর শ্রেণিবদ্ধের জন্য সাধারণভাবে চিহ্নিত ফায়ারেন্স মেট্রিকগুলি মূল্যায়ন করুন।

টিএফ মডেল বিশ্লেষণ

বিতরণ পদ্ধতিতে মডেলগুলি মূল্যায়ন করুন এবং ডেটার বিভিন্ন স্লাইসের উপর গণনা করুন।

কি-যদি সরঞ্জাম

মেশিন লার্নিং মডেলগুলি পরীক্ষা করুন, মূল্যায়ন করুন এবং তুলনা করুন।

ব্যাখ্যাযোগ্য এআই

ব্যাখ্যামূলক এবং সমেত মেশিন লার্নিং মডেলগুলি বিকাশ করুন।

টিএফ গোপনীয়তা পরীক্ষা

শ্রেণিবদ্ধকরণ মডেলগুলির গোপনীয়তা বৈশিষ্ট্যগুলি মূল্যায়ন করুন।

TensorBoard

মেশিন লার্নিংয়ের কার্যপ্রবাহ পরিমাপ করুন এবং ভিজ্যুয়ালাইজ করুন।

পদক্ষেপ 5

স্থাপন এবং নিরীক্ষণ

মডেল প্রসঙ্গ এবং বিশদ সম্পর্কে ট্র্যাক এবং যোগাযোগের জন্য নিম্নলিখিত সরঞ্জামগুলি ব্যবহার করুন।

মডেল কার্ড টুলকিট

মডেল কার্ড টুলকিট ব্যবহার করে স্বাচ্ছন্দ্যে মডেল কার্ডগুলি তৈরি করুন।

এমএল মেটাটাটা

এমএল বিকাশকারী এবং ডেটা বিজ্ঞানী কর্মপ্রবাহের সাথে সম্পর্কিত মেটাডেটা রেকর্ড করুন এবং পুনরুদ্ধার করুন।

মডেল কার্ড

মেশিন লার্নিংয়ের প্রয়োজনীয় তথ্যগুলি কাঠামোগত উপায়ে সংগঠিত করুন।

আরও জানুন

সম্প্রদায় কী করছে তা শিখুন এবং জড়িত হওয়ার উপায়গুলি ঘুরে দেখুন।

গুগলের ক্রাউডসোর্স

গুগলের পণ্যগুলিকে আরও ভাষা এবং অঞ্চল, ভাষা ও সংস্কৃতির প্রতিনিধি হতে সাহায্য করুন।

দায়বদ্ধ এআই দেবপোস্ট চ্যালেঞ্জ

দায়িত্বশীল এআই নীতিগুলি মাথায় রেখে একটি মডেল বা অ্যাপ্লিকেশন তৈরি করতে টেনসরফ্লো ২.২ ব্যবহার করুন।

টেনসরফ্লো (টিএফ দেব সামিট '20) সহ দায়বদ্ধ এআই

এমএল, ন্যায্যতা এবং গোপনীয়তা সম্পর্কে চিন্তাভাবনা করার জন্য একটি কাঠামো উপস্থাপন করছি।

চালিয়ে যান