Tetap teratur dengan koleksi Simpan dan kategorikan konten berdasarkan preferensi Anda.

Pelajari cara mengintegrasikan praktik AI yang Bertanggung Jawab ke dalam alur kerja ML Anda menggunakan TensorFlow

TensorFlow berkomitmen untuk membantu membuat kemajuan dalam pengembangan AI yang bertanggung jawab dengan berbagi kumpulan sumber daya dan alat dengan komunitas ML.

Apa itu AI yang Bertanggung Jawab?

Perkembangan AI menciptakan peluang baru untuk memecahkan masalah dunia nyata yang menantang. Ini juga menimbulkan pertanyaan baru tentang cara terbaik untuk membangun sistem AI yang bermanfaat bagi semua orang.

Merancang sistem AI harus mengikuti praktik terbaik pengembangan perangkat lunak sambil mengambil yang berpusat pada manusia
pendekatan ML

Keadilan

Saat dampak AI meningkat di seluruh sektor dan masyarakat, sangat penting untuk mengupayakan sistem yang adil dan inklusif bagi semua orang

Interpretabilitas

Memahami dan memercayai sistem AI penting untuk memastikannya berfungsi sebagaimana mestinya

Pribadi

Model pelatihan dari data sensitif membutuhkan perlindungan perlindungan privasi

Keamanan

Mengidentifikasi potensi ancaman dapat membantu menjaga sistem AI tetap aman dan terlindungi

AI yang bertanggung jawab dalam alur kerja ML Anda

Praktik AI yang bertanggung jawab dapat digabungkan di setiap langkah alur kerja ML. Berikut adalah beberapa pertanyaan kunci untuk dipertimbangkan pada setiap tahap.

Untuk siapa sistem ML saya?

Cara pengguna sebenarnya mengalami sistem Anda sangat penting untuk menilai dampak sebenarnya dari prediksi, rekomendasi, dan keputusannya. Pastikan untuk mendapatkan masukan dari beragam pengguna di awal proses pengembangan Anda.

Apakah saya menggunakan kumpulan data yang representatif?

Apakah data Anda diambil sampelnya dengan cara yang mewakili pengguna Anda (mis. akan digunakan untuk segala usia, tetapi Anda hanya memiliki data pelatihan dari warga lanjut usia) dan pengaturan dunia nyata (mis. akan digunakan sepanjang tahun, tetapi Anda hanya memiliki pelatihan? data dari musim panas)?

Apakah ada bias dunia nyata/manusia dalam data saya?

Bias yang mendasari data dapat berkontribusi pada umpan balik kompleks yang memperkuat stereotip yang ada.

Metode apa yang harus saya gunakan untuk melatih model saya?

Gunakan metode pelatihan yang membangun keadilan, interpretabilitas, privasi, dan keamanan ke dalam model.

Bagaimana kinerja model saya?

Evaluasi pengalaman pengguna dalam skenario dunia nyata di berbagai spektrum pengguna, kasus penggunaan, dan konteks penggunaan. Uji dan ulangi di dogfood terlebih dahulu, diikuti dengan pengujian lanjutan setelah peluncuran.

Apakah ada loop umpan balik yang kompleks?

Meskipun semua desain sistem secara keseluruhan dibuat dengan hati-hati, model berbasis ML jarang beroperasi dengan kesempurnaan 100% saat diterapkan pada data nyata dan langsung. Ketika masalah terjadi pada produk langsung, pertimbangkan apakah hal itu sejalan dengan kerugian masyarakat yang ada, dan bagaimana hal itu akan dipengaruhi oleh solusi jangka pendek dan jangka panjang.

Alat AI yang bertanggung jawab untuk TensFlow

Ekosistem TensorFlow memiliki rangkaian alat dan sumber daya untuk membantu menjawab beberapa pertanyaan di atas.

Langkah 1

Definisikan masalah

Gunakan sumber daya berikut untuk merancang model dengan mempertimbangkan AI yang Bertanggung Jawab.

Buku Panduan People + AI Research (PAIR).

Pelajari lebih lanjut tentang proses pengembangan AI dan pertimbangan utama.

PAIR Explorable

Jelajahi, melalui visualisasi interaktif, pertanyaan dan konsep kunci di ranah AI yang Bertanggung Jawab.

Langkah 2

Membangun dan menyiapkan data

Gunakan alat berikut untuk memeriksa data untuk potensi bias.

Ketahui Data Anda (Beta)

Selidiki set data Anda secara interaktif untuk meningkatkan kualitas data dan memitigasi masalah keadilan dan bias.

Validasi Data TF

Menganalisis dan mengubah data untuk mendeteksi masalah dan merekayasa rangkaian fitur yang lebih efektif.

Kartu Data

Buat laporan transparansi untuk set data Anda.

Skala Warna Kulit Biksu (MST)

Skala warna kulit yang lebih inklusif, berlisensi terbuka, untuk membuat kebutuhan pengumpulan data dan pembuatan model Anda lebih kuat dan inklusif.

Langkah 3

Membangun dan melatih model

Gunakan fitur berikut untuk melatih model menggunakan teknik yang mempertahankan privasi dan dapat ditafsirkan, dan lainnya.

Remediasi Model TF

Latih model pembelajaran mesin untuk mempromosikan hasil yang lebih adil.

Privasi TF

Latih model pembelajaran mesin dengan privasi.

Federasi TF

Latih model pembelajaran mesin menggunakan teknik pembelajaran federasi.

Optimasi Terkendala TF

Optimalkan masalah yang dibatasi ketimpangan.

Kisi TF

Menerapkan model berbasis kisi yang fleksibel, terkontrol, dan dapat ditafsirkan.

Langkah 4

Mengevaluasi model

Debug, evaluasi, dan visualisasikan kinerja model menggunakan alat berikut.

Indikator Kewajaran

Mengevaluasi metrik keadilan yang diidentifikasi secara umum untuk pengklasifikasi kelas biner dan multi.

Analisis Model TF

Mengevaluasi model dengan cara terdistribusi dan menghitung potongan data yang berbeda.

Alat Bagaimana-Jika

Memeriksa, mengevaluasi, dan membandingkan model pembelajaran mesin.

Alat Penafsiran Bahasa

Visualisasikan dan pahami model NLP.

AI yang bisa dijelaskan

Mengembangkan model pembelajaran mesin yang dapat ditafsirkan dan inklusif.

Tes Privasi TF

Menilai properti privasi model klasifikasi.

Papan Tensor

Ukur dan visualisasikan alur kerja machine learning.

Langkah 5

Menyebarkan dan memantau

Gunakan alat berikut untuk melacak dan berkomunikasi tentang konteks dan detail model.

Perangkat Kartu Model

Hasilkan kartu model dengan mudah menggunakan toolkit Model Card.

Metadata ML

Rekam dan ambil metadata yang terkait dengan alur kerja developer ML dan data scientist.

Kartu Model

Susun fakta penting pembelajaran mesin dengan cara yang terstruktur.

Sumber daya komunitas

Pelajari apa yang dilakukan komunitas dan jelajahi cara untuk terlibat.

Crowdsource oleh Google

Bantu produk Google menjadi lebih inklusif dan mewakili bahasa, wilayah, dan budaya Anda.

Tantangan AI DevPost yang bertanggung jawab

Kami meminta peserta untuk menggunakan TensorFlow 2.2 untuk membuat model atau aplikasi dengan mempertimbangkan prinsip AI yang Bertanggung Jawab. Lihat galeri untuk melihat para pemenang dan proyek luar biasa lainnya.

AI yang bertanggung jawab dengan TensorFlow (TF Dev Summit '20)

Memperkenalkan kerangka kerja untuk memikirkan ML, keadilan, dan privasi.