Google is committed to advancing racial equity for Black communities. See how.
หน้านี้ได้รับการแปลโดย Cloud Translation API
Switch to English

เรียนรู้วิธีการรวมแนวทางปฏิบัติด้าน AI ที่รับผิดชอบเข้ากับเวิร์กโฟลว์ ML ของคุณโดยใช้ TensorFlow

TensorFlow มุ่งมั่นที่จะช่วยสร้างความก้าวหน้าในการพัฒนา AI อย่างรับผิดชอบโดยการแบ่งปันชุดทรัพยากรและเครื่องมือกับชุมชน ML

Responsible AI คืออะไร?

การพัฒนา AI กำลังสร้างโอกาสใหม่ในการแก้ปัญหาที่ท้าทายในโลกแห่งความเป็นจริง นอกจากนี้ยังตั้งคำถามใหม่เกี่ยวกับวิธีที่ดีที่สุดในการสร้างระบบ AI ที่เป็นประโยชน์ต่อทุกคน

การออกแบบระบบ AI ควรปฏิบัติตามแนวทางปฏิบัติที่ดีที่สุดในการพัฒนาซอฟต์แวร์โดยยึดมนุษย์เป็นศูนย์กลาง
แนวทาง ML

ความเป็นธรรม

เมื่อผลกระทบของ AI เพิ่มขึ้นในทุกภาคส่วนและสังคมจึงมีความสำคัญอย่างยิ่งที่จะต้องทำงานไปสู่ระบบที่ยุติธรรมและครอบคลุมทุกคน

การตีความ

การทำความเข้าใจและไว้วางใจระบบ AI เป็นสิ่งสำคัญในการตรวจสอบว่าระบบทำงานได้ตามที่ตั้งใจไว้

ความเป็นส่วนตัว

โมเดลการฝึกอบรมจากข้อมูลที่ละเอียดอ่อนต้องการความเป็นส่วนตัวในการรักษาความปลอดภัย

ความปลอดภัย

การระบุภัยคุกคามที่อาจเกิดขึ้นสามารถช่วยให้ระบบ AI ปลอดภัย

AI ที่มีความรับผิดชอบในเวิร์กโฟลว์ ML ของคุณ

แนวทางปฏิบัติของ AI ที่มีความรับผิดชอบสามารถรวมไว้ในทุกขั้นตอนของเวิร์กโฟลว์ ML คำถามสำคัญที่ควรพิจารณาในแต่ละขั้นตอนมีดังนี้

ระบบ ML ของฉันเหมาะกับใคร?

วิธีที่ผู้ใช้จริงสัมผัสกับระบบของคุณเป็นสิ่งสำคัญในการประเมินผลกระทบที่แท้จริงของการคาดการณ์คำแนะนำและการตัดสินใจ อย่าลืมรับข้อมูลจากกลุ่มผู้ใช้ที่หลากหลายตั้งแต่เนิ่นๆในกระบวนการพัฒนาของคุณ

ฉันใช้ชุดข้อมูลตัวแทนหรือไม่

ข้อมูลของคุณถูกสุ่มตัวอย่างในลักษณะที่แสดงถึงผู้ใช้ของคุณ (เช่นจะใช้สำหรับทุกวัย แต่คุณมีข้อมูลการฝึกอบรมจากผู้สูงอายุเท่านั้น) และการตั้งค่าในโลกแห่งความเป็นจริง (เช่นจะใช้ตลอดทั้งปี แต่คุณมีการฝึกอบรมเท่านั้น ข้อมูลจากฤดูร้อน)?

มีอคติในโลกแห่งความเป็นจริง / มนุษย์ในข้อมูลของฉันหรือไม่?

อคติที่แฝงอยู่ในข้อมูลสามารถนำไปสู่ลูปข้อเสนอแนะที่ซับซ้อนซึ่งเสริมสร้างแบบแผนเดิมที่มีอยู่

ฉันควรใช้วิธีใดในการฝึกโมเดลของฉัน

ใช้วิธีการฝึกอบรมที่สร้างความเป็นธรรมความสามารถในการตีความความเป็นส่วนตัวและความปลอดภัยให้กับโมเดล

โมเดลของฉันทำงานเป็นอย่างไร?

ประเมินประสบการณ์ของผู้ใช้ในสถานการณ์จริงในกลุ่มผู้ใช้ที่หลากหลายกรณีการใช้งานและบริบทการใช้งาน ทดสอบและทำซ้ำในการลองใช้ก่อนตามด้วยการทดสอบต่อไปหลังจากเปิดตัว

มีลูปข้อเสนอแนะที่ซับซ้อนหรือไม่?

แม้ว่าทุกอย่างในการออกแบบระบบโดยรวมจะถูกสร้างขึ้นมาอย่างพิถีพิถัน แต่โมเดลที่ใช้ ML ก็แทบจะไม่สามารถทำงานได้อย่างสมบูรณ์แบบ 100% เมื่อนำไปใช้กับข้อมูลจริงที่มีอยู่จริง เมื่อปัญหาเกิดขึ้นในผลิตภัณฑ์ที่ใช้งานจริงให้พิจารณาว่าปัญหานั้นสอดคล้องกับข้อเสียทางสังคมที่มีอยู่หรือไม่และจะได้รับผลกระทบจากการแก้ปัญหาทั้งในระยะสั้นและระยะยาวอย่างไร

เครื่องมือ AI ที่รับผิดชอบสำหรับ TensorFlow

ระบบนิเวศของ TensorFlow มีชุดเครื่องมือและทรัพยากรเพื่อช่วยจัดการกับคำถามข้างต้น

ขั้นตอนที่ 1

กำหนดปัญหา

ใช้ทรัพยากรต่อไปนี้เพื่อออกแบบโมเดลโดยคำนึงถึง Responsible AI

คู่มือ People + AI Research (PAIR)

เรียนรู้เพิ่มเติมเกี่ยวกับกระบวนการพัฒนา AI และข้อควรพิจารณาที่สำคัญ

คู่ของประโยชน์

สำรวจผ่านการแสดงภาพเชิงโต้ตอบคำถามสำคัญและแนวคิดในขอบเขตของ Responsible AI

ขั้นตอนที่ 2

สร้างและเตรียมข้อมูล

ใช้เครื่องมือต่อไปนี้เพื่อตรวจสอบข้อมูลสำหรับอคติที่อาจเกิดขึ้น

การตรวจสอบข้อมูล TF

วิเคราะห์และแปลงข้อมูลเพื่อตรวจหาปัญหาและสร้างชุดคุณลักษณะที่มีประสิทธิภาพมากขึ้น

การ์ดข้อมูล

สร้างรายงานความโปร่งใสสำหรับชุดข้อมูลของคุณ

ขั้นตอนที่ 3

สร้างและฝึกโมเดล

ใช้เครื่องมือต่อไปนี้เพื่อฝึกโมเดลโดยใช้การรักษาความเป็นส่วนตัวเทคนิคที่ตีความได้และอื่น ๆ

TF Privacy

ฝึกโมเดลแมชชีนเลิร์นนิงด้วยความเป็นส่วนตัว

TF Federated

ฝึกโมเดลการเรียนรู้ของเครื่องโดยใช้เทคนิคการเรียนรู้แบบรวมศูนย์

TF Constrained Optimization

เพิ่มประสิทธิภาพปัญหาที่ จำกัด ความไม่เท่าเทียมกัน

TF ตาข่าย

ใช้โมเดลตาข่ายที่ยืดหยุ่นควบคุมและตีความได้

ขั้นตอนที่ 4

ประเมินแบบจำลอง

ตรวจแก้จุดบกพร่องประเมินและแสดงภาพประสิทธิภาพของโมเดลโดยใช้เครื่องมือต่อไปนี้

ตัวบ่งชี้ความเป็นธรรม

ประเมินเมตริกความเป็นธรรมที่ระบุโดยทั่วไปสำหรับตัวจำแนกไบนารีและหลายคลาส

การวิเคราะห์แบบจำลอง TF

ประเมินโมเดลในลักษณะกระจายและคำนวณส่วนต่างๆของข้อมูล

What-If Tool

ตรวจสอบประเมินและเปรียบเทียบโมเดลการเรียนรู้ของเครื่อง

AI ที่อธิบายได้

พัฒนาโมเดลแมชชีนเลิร์นนิงที่ตีความได้และครอบคลุม

การทดสอบความเป็นส่วนตัวของ TF

ประเมินคุณสมบัติความเป็นส่วนตัวของแบบจำลองการจำแนกประเภท

TensorBoard

วัดและแสดงภาพขั้นตอนการทำงานของแมชชีนเลิร์นนิง

ขั้นตอนที่ 5

ปรับใช้และตรวจสอบ

ใช้เครื่องมือต่อไปนี้เพื่อติดตามและสื่อสารเกี่ยวกับบริบทและรายละเอียดของโมเดล

ชุดเครื่องมือการ์ดรุ่น

สร้างการ์ดโมเดลได้อย่างง่ายดายโดยใช้ชุดเครื่องมือการ์ดโมเดล

ML Metadata

บันทึกและดึงข้อมูลเมตาที่เกี่ยวข้องกับเวิร์กโฟลว์ของนักพัฒนา ML และนักวิทยาศาสตร์ข้อมูล

การ์ดรุ่น

จัดระเบียบข้อเท็จจริงที่สำคัญของแมชชีนเลิร์นนิงอย่างมีแบบแผน

เรียนรู้เพิ่มเติม

เรียนรู้ว่าชุมชนกำลังทำอะไรและสำรวจวิธีการมีส่วนร่วม

Crowdsource โดย Google

ช่วยให้ผลิตภัณฑ์ของ Google มีความครอบคลุมและเป็นตัวแทนของภาษาภูมิภาคและวัฒนธรรมของคุณมากขึ้น

ความท้าทาย AI DevPost ที่รับผิดชอบ

ใช้ TensorFlow 2.2 เพื่อสร้างโมเดลหรือแอปพลิเคชันโดยคำนึงถึงหลักการรับผิดชอบ AI

AI ที่มีความรับผิดชอบพร้อม TensorFlow (TF Dev Summit '20)

แนะนำกรอบคิดเรื่อง ML ความเป็นธรรมและความเป็นส่วนตัว