Google is committed to advancing racial equity for Black communities. See how.
این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.
Switch to English

بیاموزید که چگونه با استفاده از TensorFlow روشهای AI حساس به جریان کار در ML خود را ادغام کنید

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

هوش مصنوعی مسئولانه چیست؟

توسعه هوش مصنوعی در حال ایجاد فرصت های جدید برای حل مشکلات چالش برانگیز در دنیای واقعی است. این همچنین س questionsالات جدیدی را در مورد بهترین راه ساخت سیستم های هوش مصنوعی ایجاد می کند که به نفع همه است.

طراحی سیستم های هوش مصنوعی باید از بهترین روش های توسعه نرم افزار در حالی که انسان محور است ، پیروی کند
رویکرد به ML

انصاف

با افزایش تأثیر هوش مصنوعی در بخشها و جوامع ، کار در جهت سیستمهایی عادلانه و فراگیر برای همه حیاتی است

تفسیرپذیری

درک و اعتماد به سیستم های هوش مصنوعی برای اطمینان از عملکرد آنها طبق برنامه مهم است

حریم خصوصی

مدل های آموزشی خارج از داده های حساس به محافظت از حریم خصوصی نیاز دارند

امنیت

شناسایی تهدیدات احتمالی می تواند به ایمن و ایمن نگه داشتن سیستم های AI کمک کند

هوش مصنوعی مسئول در گردش کار ML شما

اقدامات هوش مصنوعی مسئولانه را می توان در هر مرحله از روند کار ML گنجانید. در اینجا چند سوال اساسی وجود دارد که باید در هر مرحله در نظر بگیرید.

سیستم ML من برای چه کسانی است؟

روشی که کاربران واقعی سیستم شما را تجربه می کنند برای ارزیابی تأثیر واقعی پیش بینی ها ، توصیه ها و تصمیمات آن ضروری است. اطمینان حاصل کنید که در اوایل مراحل توسعه خود از مجموعه متنوعی از کاربران ورودی دریافت می کنید.

آیا من از یک مجموعه داده نماینده استفاده می کنم؟

آیا داده های شما به روشی نشان داده شده است که کاربران شما را نشان دهد (به عنوان مثال برای همه سنین استفاده می شود ، اما شما فقط داده های آموزش از افراد مسن را دارید) و تنظیمات دنیای واقعی (به عنوان مثال در تمام طول سال استفاده می شود ، اما شما فقط آموزش دارید) داده های تابستان)؟

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

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

برای آموزش مدل خود از چه روشی استفاده کنم؟

از روشهای آموزشی استفاده کنید که انصاف ، تفسیر پذیری ، حریم خصوصی و امنیت را در مدل ایجاد کند.

مدل من چگونه عمل می کند؟

تجربه کاربر را در سناریوهای دنیای واقعی در طیف گسترده ای از کاربران ارزیابی کنید ، موارد استفاده و زمینه های استفاده را استفاده کنید. ابتدا در آزمایشی آزمایش کنید و تکرار کنید و پس از راه اندازی آزمایش را ادامه دهید.

آیا حلقه های بازخورد پیچیده ای وجود دارد؟

حتی اگر همه چیز در طراحی کلی سیستم به دقت ساخته شده باشد ، مدلهای مبتنی بر ML وقتی به داده های واقعی و زنده اعمال می شوند ، بندرت با 100٪ کمال کار می کنند. وقتی مسئله ای در یک محصول زنده رخ می دهد ، بررسی کنید که آیا با معایب اجتماعی موجود همخوانی دارد و چگونه از طریق راه حل های کوتاه مدت و بلند مدت تأثیر می گذارد.

ابزارهای هوش مصنوعی مسئول برای TensorFlow

اکوسیستم TensorFlow مجموعه ای از ابزارها و منابع برای حل برخی از س helpالات بالا دارد.

مرحله 1

مشکل را تعریف کنید

برای طراحی مدلهایی با هوش مصنوعی مسئولانه از منابع زیر استفاده کنید.

مردم + کتاب راهنمای تحقیقات AI (PAIR)

درباره روند توسعه هوش مصنوعی و ملاحظات اصلی بیشتر بیاموزید.

PAIR قابل کاوش است

از طریق تجسم تعاملی ، س questionsالات و مفاهیم اصلی را در حوزه هوش مصنوعی جستجو کنید.

گام 2

داده ها را بسازید و آماده کنید

از ابزارهای زیر برای بررسی داده ها برای سوگیری بالقوه استفاده کنید.

اعتبار سنجی داده های TF

تجزیه و تحلیل و تبدیل داده ها برای شناسایی مشکلات و مهندسی مجموعه ویژگی های موثر تر.

کارتهای داده

یک گزارش شفافیت برای مجموعه داده خود ایجاد کنید.

مرحله 3

ساخت و آموزش مدل

برای آموزش مدل ها با استفاده از حفظ حریم خصوصی ، تکنیک های قابل تفسیر و موارد دیگر ، از ابزارهای زیر استفاده کنید.

حریم خصوصی TF

با خلوت ، مدل های یادگیری ماشین را آموزش دهید.

فدراسیون TF

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

بهینه سازی محدود TF

مشکلات محدود شده از نابرابری را بهینه کنید.

شبکه TF

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

مرحله 4

مدل را ارزیابی کنید

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

شاخص های انصاف

معیارهای عدالت معمولاً شناخته شده را برای طبقه بندی های باینری و چند طبقه ارزیابی کنید.

تجزیه و تحلیل مدل TF

مدلها را به روشی توزیع شده ارزیابی کرده و برشهای مختلف داده را محاسبه کنید.

ابزار چه کاری

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

هوش مصنوعی قابل توضیح

مدل های یادگیری ماشین قابل تفسیر و فراگیر ایجاد کنید.

تست های حریم خصوصی TF

خصوصیات حریم خصوصی مدل های طبقه بندی را ارزیابی کنید.

TensorBoard

گردش کار یادگیری ماشین را اندازه گیری و تجسم کنید.

مرحله 5

استقرار و نظارت

برای ردیابی و برقراری ارتباط در مورد متن و جزئیات مدل ، از ابزارهای زیر استفاده کنید.

جعبه ابزار مدل کارت

با استفاده از جعبه ابزار Model Card به راحتی کارت های مدل را تولید کنید.

ML فراداده

فراداده مربوط به ML و روند کار دانشمند داده را ضبط و بازیابی کنید.

کارتهای مدل

واقعیتهای اساسی یادگیری ماشین را به صورت ساختاری سازماندهی کنید.

بیشتر بدانید

کارهایی را که جامعه انجام می دهد بیاموزید و راه های مشارکت را کشف کنید.

منبع انبوه توسط Google

به محصولات Google کمک کنید تا زبان ، منطقه و فرهنگ شما را بیشتر فراگیر و نمایندگی کنند.

چالش AI DevPost مسئول

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

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

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

ادامه