เรียนรู้วิธีผสานรวมแนวปฏิบัติ AI ที่มีความรับผิดชอบเข้ากับเวิร์กโฟลว์ ML ของคุณโดยใช้ TensorFlow
TensorFlow มุ่งมั่นที่จะช่วยให้ความก้าวหน้าในการพัฒนา AI อย่างมีความรับผิดชอบ โดยการแบ่งปันคอลเลกชันของทรัพยากรและเครื่องมือกับชุมชน ML
AI ที่รับผิดชอบคืออะไร?
การพัฒนา AI กำลังสร้างโอกาสใหม่ในการแก้ปัญหาที่ท้าทายในโลกแห่งความเป็นจริง นอกจากนี้ยังทำให้เกิดคำถามใหม่เกี่ยวกับวิธีที่ดีที่สุดในการสร้างระบบ AI ที่เป็นประโยชน์ต่อทุกคน
แนวทางปฏิบัติที่ดีที่สุดที่แนะนำสำหรับ AI
การออกแบบระบบ AI ควรเป็นไปตามแนวทางปฏิบัติที่ดีที่สุดสำหรับการพัฒนาซอฟต์แวร์ในขณะที่ใช้มนุษย์เป็นศูนย์กลาง
แนวทางสู่ML
ความเป็นธรรม
เนื่องจากผลกระทบของ AI เพิ่มขึ้นในทุกภาคส่วนและในสังคม การทำงานเพื่อให้ระบบมีความเป็นธรรมและครอบคลุมสำหรับทุกคนจึงเป็นสิ่งสำคัญ
การตีความ
การทำความเข้าใจและไว้วางใจระบบ AI เป็นสิ่งสำคัญเพื่อให้แน่ใจว่าระบบทำงานตามที่ตั้งใจไว้
ความเป็นส่วนตัว
โมเดลการฝึกอบรมเกี่ยวกับข้อมูลที่ละเอียดอ่อนต้องการการปกป้องความเป็นส่วนตัว
ความปลอดภัย
การระบุภัยคุกคามที่อาจเกิดขึ้นสามารถช่วยรักษาระบบ AI ให้ปลอดภัย
AI ที่มีความรับผิดชอบในเวิร์กโฟลว์ ML ของคุณ
แนวทางปฏิบัติด้าน AI ที่มีความรับผิดชอบสามารถนำไปใช้ในทุกขั้นตอนของเวิร์กโฟลว์ ML ต่อไปนี้เป็นคำถามสำคัญที่ควรพิจารณาในแต่ละขั้นตอน
ระบบ ML ของฉันเหมาะกับใคร
วิธีที่ผู้ใช้จริงสัมผัสระบบของคุณเป็นสิ่งสำคัญในการประเมินผลกระทบที่แท้จริงของการคาดการณ์ คำแนะนำ และการตัดสินใจ อย่าลืมรับข้อมูลจากกลุ่มผู้ใช้ที่หลากหลายตั้งแต่เนิ่นๆ ในกระบวนการพัฒนาของคุณ
ฉันกำลังใช้ชุดข้อมูลตัวแทนหรือไม่
ข้อมูลของคุณถูกสุ่มตัวอย่างในลักษณะที่แสดงถึงผู้ใช้ของคุณ (เช่น จะใช้สำหรับทุกเพศทุกวัย แต่คุณมีข้อมูลการฝึกอบรมจากผู้สูงอายุเท่านั้น) และการตั้งค่าในโลกแห่งความเป็นจริง (เช่น จะใช้ตลอดทั้งปี แต่คุณมีการฝึกอบรมเท่านั้น ข้อมูลจากฤดูร้อน)?
มีอคติในโลกแห่งความเป็นจริง/มนุษย์ในข้อมูลของฉันหรือไม่
อคติพื้นฐานในข้อมูลสามารถนำไปสู่วงจรป้อนกลับที่ซับซ้อนซึ่งเสริมความแข็งแกร่งของแบบแผนที่มีอยู่
ฉันควรใช้วิธีใดในการฝึกโมเดลของฉัน
ใช้วิธีการฝึกอบรมที่สร้างความยุติธรรม การตีความได้ ความเป็นส่วนตัว และความปลอดภัยในแบบจำลอง
โมเดลของฉันทำงานอย่างไร?
ประเมินประสบการณ์ของผู้ใช้ในสถานการณ์จริงในวงกว้างของผู้ใช้ กรณีใช้งาน และบริบทการใช้งาน ทดสอบและทำซ้ำในการลองใช้ก่อน ตามด้วยการทดสอบต่อเนื่องหลังจากเปิดตัว
มีลูปป้อนกลับที่ซับซ้อนหรือไม่?
แม้ว่าทุกอย่างในการออกแบบระบบโดยรวมจะถูกสร้างขึ้นมาอย่างพิถีพิถัน โมเดลที่ใช้ ML ก็มักจะทำงานด้วยความสมบูรณ์แบบ 100% เมื่อนำไปใช้กับข้อมูลจริงแบบสด เมื่อปัญหาเกิดขึ้นในผลิตภัณฑ์ที่ใช้งานอยู่ ให้พิจารณาว่าสอดคล้องกับข้อเสียของสังคมที่มีอยู่หรือไม่ และจะได้รับผลกระทบจากการแก้ปัญหาทั้งในระยะสั้นและระยะยาวอย่างไร
เครื่องมือ AI ที่มีความรับผิดชอบสำหรับ TensorFlow
ระบบนิเวศของ TensorFlow มีชุดเครื่องมือและทรัพยากรที่จะช่วยจัดการกับคำถามบางข้อข้างต้น
กำหนดปัญหา
ใช้แหล่งข้อมูลต่อไปนี้เพื่อออกแบบโมเดลโดยคำนึงถึง Responsible AI
เรียนรู้เพิ่มเติมเกี่ยวกับกระบวนการพัฒนา AI และข้อควรพิจารณาที่สำคัญ
สำรวจผ่านการสร้างภาพข้อมูลเชิงโต้ตอบ คำถามสำคัญ และแนวคิดในขอบเขตของ Responsible AI
สร้างและเตรียมข้อมูล
ใช้เครื่องมือต่อไปนี้เพื่อตรวจสอบข้อมูลเพื่อหาอคติที่อาจเกิดขึ้น
ตรวจสอบชุดข้อมูลของคุณแบบโต้ตอบเพื่อปรับปรุงคุณภาพข้อมูลและลดปัญหาความเป็นธรรมและอคติ
วิเคราะห์และแปลงข้อมูลเพื่อตรวจหาปัญหาและออกแบบชุดคุณลักษณะที่มีประสิทธิภาพมากขึ้น
มาตราส่วนโทนสีผิวที่ครอบคลุมมากขึ้น ได้รับอนุญาตแบบเปิด เพื่อให้การรวบรวมข้อมูลและการสร้างแบบจำลองของคุณจำเป็นต้องมีความแข็งแกร่งและครอบคลุมมากขึ้น
สร้างและฝึกโมเดล
ใช้เครื่องมือต่อไปนี้เพื่อฝึกโมเดลโดยใช้การรักษาความเป็นส่วนตัว เทคนิคที่ตีความได้ และอื่นๆ
ประเมินแบบจำลอง
ดีบัก ประเมิน และแสดงภาพประสิทธิภาพของโมเดลโดยใช้เครื่องมือต่อไปนี้
ประเมินตัววัดความเป็นธรรมที่ระบุโดยทั่วไปสำหรับตัวแยกประเภทไบนารีและหลายคลาส
ประเมินแบบจำลองในลักษณะแบบกระจายและคำนวณผ่านส่วนต่างๆ ของข้อมูล
ประเมินคุณสมบัติความเป็นส่วนตัวของแบบจำลองการจัดประเภท
ปรับใช้และตรวจสอบ
ใช้เครื่องมือต่อไปนี้เพื่อติดตามและสื่อสารเกี่ยวกับบริบทและรายละเอียดของแบบจำลอง
บันทึกและเรียกข้อมูลเมตาที่เกี่ยวข้องกับเวิร์กโฟลว์ของนักพัฒนา ML และนักวิทยาศาสตร์ข้อมูล
ทรัพยากรชุมชน
เรียนรู้ว่าชุมชนกำลังทำอะไรและสำรวจวิธีการมีส่วนร่วม
ช่วยให้ผลิตภัณฑ์ของ Google ครอบคลุมมากขึ้นและเป็นตัวแทนของภาษา ภูมิภาค และวัฒนธรรมของคุณ
เราขอให้ผู้เข้าร่วมใช้ TensorFlow 2.2 เพื่อสร้างแบบจำลองหรือแอปพลิเคชันโดยคำนึงถึงหลักการ AI ที่มีความรับผิดชอบ ตรวจสอบแกลเลอรีเพื่อดูผู้ชนะและโครงการที่น่าทึ่งอื่น ๆ
แนะนำกรอบความคิดเกี่ยวกับ ML ความเป็นธรรม และความเป็นส่วนตัว