Google is committed to advancing racial equity for Black communities. See how.
Bu sayfa, Cloud Translation API ile çevrilmiştir.
Switch to English

TensorFlow kullanarak Sorumlu Yapay Zeka uygulamalarını makine öğrenimi iş akışınıza nasıl entegre edeceğinizi öğrenin

TensorFlow, ML topluluğuyla bir dizi kaynak ve araç paylaşarak yapay zekanın sorumlu bir şekilde geliştirilmesinde ilerleme kaydetmeye yardımcı olmaya kendini adamıştır.

Sorumlu Yapay Zeka nedir?

Yapay zekanın gelişimi, zorlu, gerçek dünya sorunlarını çözmek için yeni fırsatlar yaratıyor. Ayrıca, herkese fayda sağlayacak AI sistemleri oluşturmanın en iyi yolu hakkında yeni sorular da gündeme getiriyor.

Yapay zeka sistemleri tasarlamak, insan merkezli bir yaklaşım alırken yazılım geliştirme en iyi uygulamalarını takip etmelidir.
ML'ye yaklaşım

Adalet

AI'nın etkisi sektörler ve toplumlar arasında arttıkça, herkes için adil ve kapsayıcı sistemler için çalışmak çok önemlidir.

Yorumlanabilirlik

AI sistemlerini anlamak ve bunlara güvenmek, amaçlandığı gibi çalıştıklarından emin olmak için önemlidir

Gizlilik

Modelleri hassas verilerden eğitmek, gizliliği koruyan güvenlik önlemleri gerektirir

Güvenlik

Olası tehditleri belirlemek, yapay zeka sistemlerini güvenli ve emniyetli tutmaya yardımcı olabilir

Makine öğrenimi iş akışınızda sorumlu yapay zeka

Sorumlu yapay zeka uygulamaları, makine öğrenimi iş akışının her adımına dahil edilebilir. İşte her aşamada dikkate alınması gereken bazı önemli sorular.

Makine öğrenimi sistemim kimler içindir?

Gerçek kullanıcıların sisteminizi deneyimleme şekli, tahminlerinin, tavsiyelerinin ve kararlarının gerçek etkisini değerlendirmek için çok önemlidir. Geliştirme sürecinizin başlarında farklı bir kullanıcı grubundan girdi aldığınızdan emin olun.

Temsili bir veri kümesi mi kullanıyorum?

Verileriniz, kullanıcılarınızı temsil edecek şekilde örneklenmiş mi (ör. Tüm yaş grupları için kullanılacak, ancak yalnızca yaşlı vatandaşlardan eğitim verileriniz var) ve gerçek dünya ortamı (ör. Yıl boyunca kullanılacak, ancak yalnızca eğitiminiz var yaz verileri)?

Verilerimde gerçek dünya / insan önyargısı var mı?

Verilerdeki temelde yatan önyargılar, mevcut klişeleri güçlendiren karmaşık geri bildirim döngülerine katkıda bulunabilir.

Modelimi eğitmek için hangi yöntemleri kullanmalıyım?

Modele adalet, yorumlanabilirlik, gizlilik ve güvenlik katan eğitim yöntemlerini kullanın.

Modelim nasıl performans gösteriyor?

Kullanıcı deneyimini geniş bir kullanıcı yelpazesi, kullanım örnekleri ve kullanım bağlamları genelinde gerçek dünya senaryolarında değerlendirin. Önce test sürümünü test edin ve yineleyin, ardından lansmandan sonra devam eden test.

Karmaşık geri bildirim döngüleri var mı?

Genel sistem tasarımındaki her şey dikkatlice hazırlanmış olsa bile, ML tabanlı modeller gerçek, canlı verilere uygulandığında nadiren% 100 mükemmellikle çalışır. Canlı bir üründe bir sorun ortaya çıktığında, mevcut toplumsal dezavantajlarla uyumlu olup olmadığını ve hem kısa hem de uzun vadeli çözümlerden nasıl etkileneceğini düşünün.

TensorFlow için sorumlu yapay zeka araçları

TensorFlow ekosistemi, yukarıdaki bazı soruların üstesinden gelmeye yardımcı olacak bir dizi araç ve kaynağa sahiptir.

Aşama 1

Problemi tanımla

Sorumlu Yapay Zeka ile modelleri tasarlamak için aşağıdaki kaynakları kullanın.

İnsanlar + AI Araştırması (PAIR) Kılavuzu

AI geliştirme süreci ve önemli hususlar hakkında daha fazla bilgi edinin.

PAIR Explorables

Sorumlu Yapay Zeka alanında etkileşimli görselleştirmeler, temel soruları ve kavramları keşfedin.

Adım 2

Verileri oluşturun ve hazırlayın

Verileri olası önyargılara karşı incelemek için aşağıdaki araçları kullanın.

TF Veri Doğrulaması

Sorunları tespit etmek ve daha etkili özellik kümeleri tasarlamak için verileri analiz edin ve dönüştürün.

Veri Kartları

Veri kümeniz için bir şeffaflık raporu oluşturun.

Aşama 3

Modeli oluşturun ve eğitin

Gizliliği koruyan, yorumlanabilir teknikler ve daha fazlasını kullanarak modelleri eğitmek için aşağıdaki araçları kullanın.

TF Gizliliği

Makine öğrenimi modellerini gizlilikle eğitin.

TF Federasyon

Birleşik öğrenme tekniklerini kullanarak makine öğrenimi modellerini eğitin.

TF Kısıtlı Optimizasyon

Eşitsizlikle sınırlı sorunları optimize edin.

TF Kafes

Esnek, kontrollü ve yorumlanabilir kafes tabanlı modeller uygulayın.

4. adım

Modeli değerlendirin

Aşağıdaki araçları kullanarak model performansının hatalarını ayıklayın, değerlendirin ve görselleştirin.

Adalet Göstergeleri

İkili ve çok sınıflı sınıflandırıcılar için yaygın olarak tanımlanan adalet ölçütlerini değerlendirin.

TF Model Analizi

Modelleri dağıtık bir şekilde değerlendirin ve farklı veri dilimleri üzerinde hesaplayın.

What-If Aracı

Makine öğrenimi modellerini inceleyin, değerlendirin ve karşılaştırın.

Açıklanabilir AI

Yorumlanabilir ve kapsayıcı makine öğrenimi modelleri geliştirin.

TF Gizlilik Testleri

Sınıflandırma modellerinin gizlilik özelliklerini değerlendirin.

TensorBoard

Makine öğrenimi iş akışını ölçün ve görselleştirin.

Adım 5

Dağıtın ve izleyin

Model bağlamını ve ayrıntılarını takip etmek ve bunlarla ilgili iletişim kurmak için aşağıdaki araçları kullanın.

Model Kartı Araç Seti

Model Kartı araç setini kullanarak model kartlarını kolaylıkla oluşturun.

ML Meta Verileri

Makine öğrenimi geliştiricisi ve veri bilimcisi iş akışlarıyla ilişkili meta verileri kaydedin ve alın.

Model Kartları

Makine öğreniminin temel gerçeklerini yapılandırılmış bir şekilde düzenleyin.

Daha fazla bilgi edin

Topluluğun ne yaptığını öğrenin ve dahil olmanın yollarını keşfedin.

Google'dan Crowdsource

Google'ın ürünlerinin daha kapsayıcı ve dilinizi, bölgenizi ve kültürünüzü daha iyi temsil etmesine yardımcı olun.

Sorumlu AI DevPost Mücadelesi

Sorumlu Yapay Zeka İlkeleri göz önünde bulundurularak bir model veya uygulama oluşturmak için TensorFlow 2.2'yi kullanın.

TensorFlow ile Sorumlu Yapay Zeka (TF Dev Summit '20)

Makine öğrenimi, adalet ve mahremiyet hakkında düşünmek için bir çerçeve sunuyoruz.

Devam