Google si impegna a promuovere l'equità razziale per le comunità nere. Vedi come.
Questa pagina è stata tradotta dall'API Cloud Translation.
Switch to English

Scopri come integrare le pratiche di IA responsabile nel tuo flusso di lavoro ML utilizzando TensorFlow

TensorFlow si impegna ad aiutare a fare progressi nello sviluppo responsabile dell'IA condividendo una raccolta di risorse e strumenti con la comunità ML.

Cos'è l'IA responsabile?

Lo sviluppo dell'IA sta creando nuove opportunità per risolvere problemi impegnativi e reali. Sta anche sollevando nuove domande sul modo migliore per creare sistemi di intelligenza artificiale a vantaggio di tutti.

La progettazione di sistemi di intelligenza artificiale dovrebbe seguire le migliori pratiche di sviluppo del software tenendo un approccio incentrato sull'uomo
approccio al ML

Equità

Poiché l'impatto dell'IA aumenta in tutti i settori e le società, è fondamentale lavorare verso sistemi che siano equi e inclusivi per tutti

interpretabilità

Comprendere e fidarsi dei sistemi di intelligenza artificiale è importante per garantire che funzionino come previsto

vita privata

I modelli di formazione basati su dati sensibili richiedono salvaguardie che preservino la privacy

Sicurezza

L'identificazione di potenziali minacce può aiutare a mantenere i sistemi di intelligenza artificiale sicuri e protetti

IA responsabile nel tuo flusso di lavoro ML

Le pratiche di intelligenza artificiale responsabile possono essere incorporate in ogni fase del flusso di lavoro ML. Ecco alcune domande chiave da considerare in ogni fase.

A chi è destinato il mio sistema ML?

Il modo in cui gli utenti effettivi sperimentano il tuo sistema è essenziale per valutare il vero impatto delle sue previsioni, raccomandazioni e decisioni. Assicurati di ricevere input da un gruppo diversificato di utenti nelle prime fasi del processo di sviluppo.

Sto usando un set di dati rappresentativo?

I tuoi dati sono campionati in un modo che rappresenti i tuoi utenti (ad es. Verranno utilizzati per tutte le età, ma hai solo dati di formazione di anziani) e l'impostazione del mondo reale (ad es. Verrà utilizzato tutto l'anno, ma hai solo formazione dati dell'estate)?

Ci sono pregiudizi del mondo reale / umano nei miei dati?

I pregiudizi sottostanti nei dati possono contribuire a complessi circuiti di feedback che rafforzano gli stereotipi esistenti.

Quali metodi dovrei usare per addestrare il mio modello?

Utilizza metodi di formazione che integrano equità, interpretabilità, privacy e sicurezza nel modello.

Come si comporta il mio modello?

Valuta l'esperienza utente in scenari del mondo reale in un ampio spettro di utenti, casi d'uso e contesti d'uso. Prima prova e ripeti nella versione sperimentale, seguito da test continui dopo il lancio.

Esistono circuiti di feedback complessi?

Anche se tutto nella progettazione complessiva del sistema è realizzato con cura, i modelli basati su ML raramente funzionano con la perfezione al 100% se applicati a dati reali e in tempo reale. Quando si verifica un problema in un prodotto attivo, valuta se è in linea con gli svantaggi sociali esistenti e come sarà influenzato dalle soluzioni a breve e lungo termine.

Strumenti di intelligenza artificiale responsabili per TensorFlow

L'ecosistema TensorFlow dispone di una suite di strumenti e risorse per aiutare ad affrontare alcune delle domande precedenti.

Passo 1

Definisci il problema

Utilizza le seguenti risorse per progettare modelli tenendo presente l'AI responsabile.

Guida People + AI Research (PAIR)

Ulteriori informazioni sul processo di sviluppo dell'IA e considerazioni chiave.

COPPIA esplorabili

Esplora, tramite visualizzazioni interattive, domande e concetti chiave nel regno dell'IA responsabile.

Passo 2

Costruisci e prepara i dati

Utilizza i seguenti strumenti per esaminare i dati per potenziali errori.

Convalida dei dati TF

Analizza e trasforma i dati per rilevare problemi e progettare set di funzionalità più efficaci.

Schede dati

Crea un rapporto sulla trasparenza per il tuo set di dati.

Passaggio 3

Costruisci e addestra il modello

Utilizza i seguenti strumenti per addestrare i modelli utilizzando tecniche di tutela della privacy, interpretabili e altro ancora.

Privacy di TF

Addestra i modelli di machine learning con la privacy.

TF federato

Addestra modelli di apprendimento automatico utilizzando tecniche di apprendimento federato.

Ottimizzazione vincolata TF

Ottimizza i problemi vincolati dalla disuguaglianza.

TF Lattice

Implementa modelli basati su reticoli flessibili, controllati e interpretabili.

Passaggio 4

Valuta il modello

Eseguire il debug, valutare e visualizzare le prestazioni del modello utilizzando i seguenti strumenti.

Indicatori di equità

Valuta le metriche di correttezza comunemente identificate per classificatori binari e multi-classe.

Analisi del modello TF

Valuta i modelli in modo distribuito e calcola su diverse sezioni di dati.

Strumento What-If

Esamina, valuta e confronta i modelli di machine learning.

IA spiegabile

Sviluppa modelli di machine learning interpretabili e inclusivi.

Test sulla privacy di TF

Valutare le proprietà di privacy dei modelli di classificazione.

TensorBoard

Misura e visualizza il flusso di lavoro del machine learning.

Passaggio 5

Distribuisci e monitora

Utilizzare i seguenti strumenti per monitorare e comunicare in merito al contesto e ai dettagli del modello.

Toolkit scheda modello

Genera facilmente schede modello utilizzando il toolkit Schede modello.

Metadati ML

Registra e recupera i metadati associati ai flussi di lavoro di sviluppatori ML e data scientist.

Schede modello

Organizza i fatti essenziali dell'apprendimento automatico in modo strutturato.

Per saperne di più

Scopri cosa sta facendo la comunità ed esplora modi per essere coinvolto.

Crowdsource di Google

Aiuta i prodotti Google a diventare più inclusivi e rappresentativi della tua lingua, regione e cultura.

Responsabile AI DevPost Challenge

Usa TensorFlow 2.2 per creare un modello o un'applicazione tenendo presenti i principi dell'IA responsabile.

IA responsabile con TensorFlow (TF Dev Summit '20)

Introduzione di una struttura per pensare al ML, all'equità e alla privacy.

Continua