Google متعهد به پیشبرد برابری نژادی برای جوامع سیاه است. ببینید چگونه.
این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.
Switch to English

بیاموزید که چگونه با استفاده از TensorFlow روشهای مسئولیت هوش مصنوعی را در جریان کار ML خود ادغام کنید

TensorFlow متعهد است با به اشتراک گذاشتن مجموعه ای از منابع و ابزارها با جامعه ML ، به پیشرفت در پیشرفت مسئولانه هوش مصنوعی کمک کند.

هوش مصنوعی مسئول چیست؟

توسعه هوش مصنوعی در حال ایجاد فرصت های جدیدی برای حل مشکلات چالش برانگیز و واقعی است. همچنین سؤالات جدیدی در مورد بهترین راه برای ساخت سیستم های هوش مصنوعی به نفع همه ایجاد می شود.

طراحی سیستم های هوش مصنوعی باید ضمن استفاده از انسان محور ، بهترین شیوه های توسعه نرم افزار را دنبال کند
رویکرد به ML

انصاف

با افزایش تأثیر هوش مصنوعی در بخش ها و جوامع ، کار به سمت سیستم هایی که برای همه عادلانه و فراگیر باشد ، بسیار مهم است

تفسیر

درک و اعتماد به سیستم های هوش مصنوعی برای اطمینان از عملکرد آنها مطابق پیش بینی مهم است

حریم خصوصی

مدلهای آموزشی غیر از داده های حساس نیاز به حفظ حریم خصوصی دارند

امنیت

شناسایی تهدیدات احتمالی می تواند به امنیت و امنیت سیستم های هوش مصنوعی کمک کند

هوش مصنوعی مسئول در گردش کار ML شما

شیوه های مسئولانه هوش مصنوعی را می توان در هر مرحله از گردش کار ML گنجانید. در اینجا چند سؤال کلیدی برای بررسی در هر مرحله ارائه شده است.

سیستم ML من برای چه کسی است؟

نحوه استفاده کاربران واقعی سیستم شما برای ارزیابی تأثیر واقعی پیش بینی ها ، توصیه ها و تصمیمات آن ضروری است. اطمینان حاصل کنید که در مراحل اولیه از مراحل مختلف ، از مجموعه متنوعی از کاربران استفاده کنید.

آیا من از یک مجموعه داده نماینده استفاده می کنم؟

آیا داده های شما به شکلی نمونه برداری شده است که کاربران شما را نشان می دهد (مثلاً برای همه سنین استفاده می شود ، اما شما فقط داده های آموزشی را از افراد سالخورده دارید) و تنظیم دنیای واقعی (مثلاً در تمام سال استفاده خواهید شد) ، اما شما فقط آموزش دارید. داده ها از تابستان)؟

آیا در داده های من تعصب / دنیای واقعی وجود دارد؟

تعصبات اساسی در داده ها می تواند به حلقه های بازخورد پیچیده ای که تقویت کلیشه های موجود است کمک کند.

برای آموزش مدل خود از چه روشهایی باید استفاده کنم؟

از روشهای آموزشی استفاده کنید که عدالت ، تفسیر ، حریم خصوصی و امنیت را در مدل ایجاد کنند.

مدل من چگونه کار می کند؟

تجربه کاربر را در سناریوهای دنیای واقعی در طیف گسترده ای از کاربران ، استفاده از موارد ، و زمینه های استفاده ارزیابی کنید. ابتدا در سگهای غذایی تست و تکرار کنید و پس از شروع آزمایش ، ادامه آزمایش کنید.

آیا حلقه های بازخورد پیچیده ای وجود دارد؟

حتی اگر همه موارد در طراحی کلی سیستم با دقت انجام شود ، مدلهای مبتنی بر ML به ندرت با استفاده از داده های واقعی و زنده ، 100٪ کمال عمل می کنند. هنگامی که یک مسئله در یک محصول زنده رخ می دهد ، در نظر بگیرید که آیا آن را با هرگونه معایب اجتماعی موجود هماهنگ می کند ، و چگونه از طریق راه حل های کوتاه مدت و بلند مدت تحت تأثیر قرار می گیرد.

ابزار هوش مصنوعی مسئول TensorFlow

اکوسیستم TensorFlow مجموعه ای از ابزارها و منابع را برای کمک به مقابله با برخی از سؤالات فوق دارد.

مرحله 1

مشکل را تعریف کنید

برای طراحی مدل هایی با هوش مصنوعی مسئول از منابع زیر استفاده کنید.

کتاب راهنما People + AI Research (PAIR)

در مورد روند توسعه هوش مصنوعی و ملاحظات کلیدی بیشتر بدانید.

اکتشافات PAIR

از طریق تجسمات تعاملی ، سؤالات و مفاهیم اصلی در حوزه هوش مصنوعی کاوش کنید.

گام 2

ساخت و آماده سازی داده ها

از ابزارهای زیر برای بررسی داده ها برای تعصبات احتمالی استفاده کنید.

اعتبارسنجی داده TF

تجزیه و تحلیل و تبدیل داده ها برای شناسایی مشکلات و مهندس مجموعه ویژگی های موثرتر.

کارتهای داده

یک گزارش شفافیت برای مجموعه داده خود ایجاد کنید.

مرحله 3

ساخت و آموزش مدل

برای آموزش مدلها با استفاده از تکنیکهای حفظ حریم خصوصی ، قابل تفسیر و موارد دیگر از ابزارهای زیر استفاده کنید.

حریم خصوصی TF

آموزش مدلهای یادگیری ماشین با حریم خصوصی.

فدراسیون TF

آموزش مدل های یادگیری ماشین با استفاده از تکنیک های یادگیری فدرال.

بهینه سازی محدود TF

مشکلات محدود کننده نابرابری را بهینه کنید.

شبکه TF

مدل های مبتنی بر شبکه انعطاف پذیر ، کنترل شده و قابل تفسیر را پیاده سازی کنید.

مرحله 4

ارزیابی مدل

اشکال زدایی ، ارزیابی و تجسم عملکرد مدل با استفاده از ابزارهای زیر.

شاخص های انصاف

معیارهای عدالت رایج را برای طبقه بندی های باینری و چند طبقه ارزیابی کنید.

تجزیه و تحلیل مدل TF

ارزیابی مدل ها به صورت توزیع شده و محاسبه برش های مختلف داده ها.

چه-اگر ابزار

مدل های یادگیری ماشین را بررسی ، ارزیابی و مقایسه کنید.

هوش مصنوعی قابل توضیح

توسعه مدل های یادگیری ماشین قابل تفسیر و فراگیر.

آزمایش های حریم خصوصی TF

خصوصیات حریم خصوصی مدل های طبقه بندی را ارزیابی کنید.

TensorBoard

گردش کار یادگیری دستگاه را اندازه گیری و تجسم کنید.

مرحله 5

استقرار و نظارت

برای ردیابی و برقراری ارتباط با متن و جزئیات مدل از ابزارهای زیر استفاده کنید.

ابزار کارت مدل

با سهولت استفاده از جعبه ابزار Model Card ، کارت های مدل ایجاد کنید.

ML ابرداده

فوق داده های مربوط به گردش کار و توسعه داده های دانشمند داده را ضبط و بازیابی کنید.

کارت های مدل

حقایق اساسی یادگیری ماشین را به روشی ساختار یافته سازماندهی کنید.

بیشتر بدانید

بیاموزید که جامعه در حال انجام چه کارهایی است و راه های شرکت در این زمینه را کشف کنید.

Crowdsource توسط Google

به محصولات Google كمك كنید تا زبان ، منطقه و فرهنگ شما را فراگیرتر و نماینده تر جلوه دهند.

مسئول هوش مصنوعی DevPost Challenge

از TensorFlow 2.2 برای ساختن یک مدل یا برنامه با اصول هوش مصنوعی در ذهن استفاده کنید.

مسئول هوش مصنوعی با TensorFlow (TF Dev Summit '20)

معرفی چارچوبی برای فکر کردن در مورد ML ، انصاف و حفظ حریم خصوصی.

ادامه را