تعرف على كيفية دمج ممارسات الذكاء الاصطناعي المسؤول في سير عمل تعلم الآلة باستخدام TensorFlow

تلتزم TensorFlow بالمساعدة في إحراز تقدم في التطوير المسؤول للذكاء الاصطناعي من خلال مشاركة مجموعة من الموارد والأدوات مع مجتمع تعلم الآلة.

ما هو الذكاء الاصطناعي المسؤول؟

يؤدي تطور الذكاء الاصطناعي إلى خلق فرص جديدة لحل المشكلات الصعبة في العالم الحقيقي. كما أنه يثير أسئلة جديدة حول أفضل طريقة لبناء أنظمة الذكاء الاصطناعي التي يستفيد منها الجميع.

يجب أن يتبع تصميم أنظمة الذكاء الاصطناعي أفضل ممارسات تطوير البرمجيات مع التركيز على الإنسان
النهج إلى ML

الإنصاف

ومع تزايد تأثير الذكاء الاصطناعي عبر القطاعات والمجتمعات، فمن الأهمية بمكان العمل على إيجاد أنظمة عادلة وشاملة للجميع

القابلية للتفسير

يعد فهم أنظمة الذكاء الاصطناعي والثقة بها أمرًا مهمًا لضمان عملها على النحو المنشود

خصوصية

تحتاج نماذج التدريب المعتمدة على البيانات الحساسة إلى ضمانات للحفاظ على الخصوصية

حماية

يمكن أن يساعد تحديد التهديدات المحتملة في الحفاظ على أنظمة الذكاء الاصطناعي آمنة ومأمونة

الذكاء الاصطناعي المسؤول في سير عمل تعلم الآلة لديك

يمكن دمج ممارسات الذكاء الاصطناعي المسؤولة في كل خطوة من خطوات سير عمل تعلم الآلة. فيما يلي بعض الأسئلة الأساسية التي يجب مراعاتها في كل مرحلة.

لمن نظام ML الخاص بي؟

تعد الطريقة التي يختبر بها المستخدمون الفعليون نظامك أمرًا ضروريًا لتقييم التأثير الحقيقي لتوقعاته وتوصياته وقراراته. تأكد من الحصول على مدخلات من مجموعة متنوعة من المستخدمين في وقت مبكر من عملية التطوير الخاصة بك.

هل أستخدم مجموعة بيانات تمثيلية؟

هل يتم أخذ عينات من بياناتك بطريقة تمثل المستخدمين (على سبيل المثال، سيتم استخدامها لجميع الأعمار، ولكن لديك فقط بيانات تدريب من كبار السن) والإعدادات الواقعية (على سبيل المثال، سيتم استخدامها على مدار العام، ولكن لديك تدريب فقط بيانات من الصيف)؟

هل هناك تحيز في العالم الحقيقي/البشري في بياناتي؟

يمكن أن تساهم التحيزات الأساسية في البيانات في خلق حلقات ردود فعل معقدة تعزز الصور النمطية الموجودة.

ما الأساليب التي يجب أن أستخدمها لتدريب النموذج الخاص بي؟

استخدم أساليب التدريب التي تبني العدالة وقابلية التفسير والخصوصية والأمان في النموذج.

كيف يتم أداء النموذج الخاص بي؟

قم بتقييم تجربة المستخدم في سيناريوهات العالم الحقيقي عبر مجموعة واسعة من المستخدمين وحالات الاستخدام وسياقات الاستخدام. قم بإجراء الاختبار والتكرار في التطبيق التجريبي أولاً، ثم يليه الاختبار المستمر بعد الإطلاق.

هل هناك حلقات ردود فعل معقدة؟

حتى لو تم تصميم كل شيء في التصميم العام للنظام بعناية، نادرًا ما تعمل النماذج المستندة إلى التعلم الآلي بنسبة 100% من الكمال عند تطبيقها على بيانات حقيقية وحية. عند حدوث مشكلة في منتج حي، فكر في ما إذا كانت تتوافق مع أي عيوب مجتمعية موجودة، وكيف ستتأثر بالحلول القصيرة والطويلة الأجل.

أدوات الذكاء الاصطناعي المسؤولة لـ TensorFlow

يحتوي نظام TensorFlow البيئي على مجموعة من الأدوات والموارد للمساعدة في معالجة بعض الأسئلة أعلاه.

الخطوة 1

تحديد المشكلة

استخدم الموارد التالية لتصميم النماذج مع وضع الذكاء الاصطناعي المسؤول في الاعتبار.

دليل الأشخاص + أبحاث الذكاء الاصطناعي (PAIR).

تعرف على المزيد حول عملية تطوير الذكاء الاصطناعي والاعتبارات الأساسية.

زوج من المستكشفين

استكشف، من خلال المرئيات التفاعلية، الأسئلة والمفاهيم الرئيسية في مجال الذكاء الاصطناعي المسؤول.

الخطوة 2

بناء البيانات وإعدادها

استخدم الأدوات التالية لفحص البيانات بحثًا عن التحيزات المحتملة.

اعرف بياناتك (تجريبي)

قم بالتحقيق بشكل تفاعلي في مجموعة البيانات الخاصة بك لتحسين جودة البيانات والتخفيف من مشكلات العدالة والتحيز.

التحقق من صحة بيانات TF

تحليل البيانات وتحويلها لاكتشاف المشكلات وهندسة مجموعات ميزات أكثر فعالية.

بطاقات البيانات

قم بإنشاء تقرير شفافية لمجموعة البيانات الخاصة بك.

مقياس لون بشرة الراهب (MST)

مقياس أكثر شمولاً للون البشرة، مفتوح ومرخص، لجعل عملية جمع البيانات وبناء النماذج الخاصة بك تحتاج إلى المزيد من القوة والشمول.

الخطوه 3

نموذج بناء وتدريب

استخدم الأدوات التالية لتدريب النماذج باستخدام تقنيات الحفاظ على الخصوصية والقابلة للتفسير والمزيد.

علاج نموذج TF

تدريب نماذج التعلم الآلي لتعزيز نتائج أكثر إنصافًا.

خصوصية فريق العمل

تدريب نماذج التعلم الآلي مع الخصوصية.

TF الاتحادية

تدريب نماذج التعلم الآلي باستخدام تقنيات التعلم الموحد.

TF مقيد الأمثل

تحسين المشاكل المقيدة بعدم المساواة.

شعرية TF

تنفيذ نماذج شبكية مرنة ويمكن التحكم فيها وقابلة للتفسير.

الخطوة 4

تقييم النموذج

تصحيح أداء النموذج وتقييمه وتصوره باستخدام الأدوات التالية.

مؤشرات العدالة

تقييم مقاييس العدالة المحددة بشكل شائع للمصنفات الثنائية ومتعددة الفئات.

تحليل نموذج TF

تقييم النماذج بطريقة موزعة وحساب شرائح مختلفة من البيانات.

أداة ماذا لو

فحص وتقييم ومقارنة نماذج التعلم الآلي.

أداة تفسير اللغة

تصور وفهم نماذج البرمجة اللغوية العصبية.

الذكاء الاصطناعي القابل للتفسير

تطوير نماذج تعلم آلي قابلة للتفسير وشاملة.

اختبارات خصوصية TF

تقييم خصائص الخصوصية لنماذج التصنيف.

TensorBoard

قياس وتصور سير عمل التعلم الآلي.

الخطوة 5

النشر والمراقبة

استخدم الأدوات التالية لتتبع سياق النموذج وتفاصيله والتواصل بشأنه.

مجموعة أدوات البطاقة النموذجية

قم بإنشاء بطاقات نموذجية بسهولة باستخدام مجموعة أدوات Model Card.

البيانات الوصفية لتعلم الآلة

قم بتسجيل واسترجاع البيانات التعريفية المرتبطة بسير عمل مطور ML وعالم البيانات.

بطاقات نموذجية

تنظيم الحقائق الأساسية للتعلم الآلي بطريقة منظمة.

موارد المجتمع

تعرف على ما يفعله المجتمع واستكشف طرق المشاركة فيه.

التعهيد الجماعي من جوجل

ساعد منتجات Google في أن تصبح أكثر شمولاً وتمثيلاً للغتك ومنطقتك وثقافتك.

تحدي AI DevPost المسؤول

لقد طلبنا من المشاركين استخدام TensorFlow 2.2 لبناء نموذج أو تطبيق مع وضع مبادئ الذكاء الاصطناعي المسؤول في الاعتبار. قم بزيارة المعرض لرؤية الفائزين والمشاريع الرائعة الأخرى.

الذكاء الاصطناعي المسؤول مع TensorFlow (قمة TF Dev '20)

تقديم إطار عمل للتفكير في تعلم الآلة والعدالة والخصوصية.

,

تعرف على كيفية دمج ممارسات الذكاء الاصطناعي المسؤول في سير عمل تعلم الآلة باستخدام TensorFlow

تلتزم TensorFlow بالمساعدة في إحراز تقدم في التطوير المسؤول للذكاء الاصطناعي من خلال مشاركة مجموعة من الموارد والأدوات مع مجتمع تعلم الآلة.

ما هو الذكاء الاصطناعي المسؤول؟

يؤدي تطور الذكاء الاصطناعي إلى خلق فرص جديدة لحل المشكلات الصعبة في العالم الحقيقي. كما أنه يثير أسئلة جديدة حول أفضل طريقة لبناء أنظمة الذكاء الاصطناعي التي يستفيد منها الجميع.

يجب أن يتبع تصميم أنظمة الذكاء الاصطناعي أفضل ممارسات تطوير البرمجيات مع التركيز على الإنسان
النهج إلى ML

الإنصاف

ومع تزايد تأثير الذكاء الاصطناعي عبر القطاعات والمجتمعات، فمن الأهمية بمكان العمل على إيجاد أنظمة عادلة وشاملة للجميع

القابلية للتفسير

يعد فهم أنظمة الذكاء الاصطناعي والثقة بها أمرًا مهمًا لضمان عملها على النحو المنشود

خصوصية

تحتاج نماذج التدريب المعتمدة على البيانات الحساسة إلى ضمانات للحفاظ على الخصوصية

حماية

يمكن أن يساعد تحديد التهديدات المحتملة في الحفاظ على أنظمة الذكاء الاصطناعي آمنة ومأمونة

الذكاء الاصطناعي المسؤول في سير عمل تعلم الآلة لديك

يمكن دمج ممارسات الذكاء الاصطناعي المسؤولة في كل خطوة من خطوات سير عمل تعلم الآلة. فيما يلي بعض الأسئلة الأساسية التي يجب مراعاتها في كل مرحلة.

لمن نظام ML الخاص بي؟

تعد الطريقة التي يختبر بها المستخدمون الفعليون نظامك أمرًا ضروريًا لتقييم التأثير الحقيقي لتوقعاته وتوصياته وقراراته. تأكد من الحصول على مدخلات من مجموعة متنوعة من المستخدمين في وقت مبكر من عملية التطوير الخاصة بك.

هل أستخدم مجموعة بيانات تمثيلية؟

هل يتم أخذ عينات من بياناتك بطريقة تمثل المستخدمين (على سبيل المثال، سيتم استخدامها لجميع الأعمار، ولكن لديك فقط بيانات تدريب من كبار السن) والإعدادات الواقعية (على سبيل المثال، سيتم استخدامها على مدار العام، ولكن لديك تدريب فقط بيانات من الصيف)؟

هل هناك تحيز في العالم الحقيقي/البشري في بياناتي؟

يمكن أن تساهم التحيزات الأساسية في البيانات في خلق حلقات ردود فعل معقدة تعزز الصور النمطية الموجودة.

ما الأساليب التي يجب أن أستخدمها لتدريب النموذج الخاص بي؟

استخدم أساليب التدريب التي تبني العدالة وقابلية التفسير والخصوصية والأمان في النموذج.

كيف يتم أداء النموذج الخاص بي؟

قم بتقييم تجربة المستخدم في سيناريوهات العالم الحقيقي عبر مجموعة واسعة من المستخدمين وحالات الاستخدام وسياقات الاستخدام. قم بإجراء الاختبار والتكرار في التطبيق التجريبي أولاً، ثم يليه الاختبار المستمر بعد الإطلاق.

هل هناك حلقات ردود فعل معقدة؟

حتى لو تم تصميم كل شيء في التصميم العام للنظام بعناية، نادرًا ما تعمل النماذج المستندة إلى التعلم الآلي بنسبة 100% من الكمال عند تطبيقها على بيانات حقيقية وحية. عند حدوث مشكلة في منتج حي، فكر في ما إذا كانت تتوافق مع أي عيوب مجتمعية موجودة، وكيف ستتأثر بالحلول القصيرة والطويلة الأجل.

أدوات الذكاء الاصطناعي المسؤولة لـ TensorFlow

يحتوي نظام TensorFlow البيئي على مجموعة من الأدوات والموارد للمساعدة في معالجة بعض الأسئلة أعلاه.

الخطوة 1

تحديد المشكلة

استخدم الموارد التالية لتصميم النماذج مع وضع الذكاء الاصطناعي المسؤول في الاعتبار.

دليل الأشخاص + أبحاث الذكاء الاصطناعي (PAIR).

تعرف على المزيد حول عملية تطوير الذكاء الاصطناعي والاعتبارات الأساسية.

زوج من المستكشفين

استكشف، من خلال المرئيات التفاعلية، الأسئلة والمفاهيم الرئيسية في مجال الذكاء الاصطناعي المسؤول.

الخطوة 2

بناء البيانات وإعدادها

استخدم الأدوات التالية لفحص البيانات بحثًا عن التحيزات المحتملة.

اعرف بياناتك (تجريبي)

قم بالتحقيق بشكل تفاعلي في مجموعة البيانات الخاصة بك لتحسين جودة البيانات والتخفيف من مشكلات العدالة والتحيز.

التحقق من صحة بيانات TF

تحليل البيانات وتحويلها لاكتشاف المشكلات وهندسة مجموعات ميزات أكثر فعالية.

بطاقات البيانات

قم بإنشاء تقرير شفافية لمجموعة البيانات الخاصة بك.

مقياس لون بشرة الراهب (MST)

مقياس أكثر شمولاً للون البشرة، مفتوح ومرخص، لجعل عملية جمع البيانات وبناء النماذج الخاصة بك تحتاج إلى المزيد من القوة والشمول.

الخطوه 3

نموذج بناء وتدريب

استخدم الأدوات التالية لتدريب النماذج باستخدام تقنيات الحفاظ على الخصوصية والقابلة للتفسير والمزيد.

علاج نموذج TF

تدريب نماذج التعلم الآلي لتعزيز نتائج أكثر إنصافًا.

خصوصية فريق العمل

تدريب نماذج التعلم الآلي مع الخصوصية.

TF الاتحادية

تدريب نماذج التعلم الآلي باستخدام تقنيات التعلم الموحد.

TF مقيد الأمثل

تحسين المشاكل المقيدة بعدم المساواة.

شعرية TF

تنفيذ نماذج شبكية مرنة ويمكن التحكم فيها وقابلة للتفسير.

الخطوة 4

تقييم النموذج

تصحيح أداء النموذج وتقييمه وتصوره باستخدام الأدوات التالية.

مؤشرات العدالة

تقييم مقاييس العدالة المحددة بشكل شائع للمصنفات الثنائية ومتعددة الفئات.

تحليل نموذج TF

تقييم النماذج بطريقة موزعة وحساب شرائح مختلفة من البيانات.

أداة ماذا لو

فحص وتقييم ومقارنة نماذج التعلم الآلي.

أداة تفسير اللغة

تصور وفهم نماذج البرمجة اللغوية العصبية.

الذكاء الاصطناعي القابل للتفسير

تطوير نماذج تعلم آلي قابلة للتفسير وشاملة.

اختبارات خصوصية TF

تقييم خصائص الخصوصية لنماذج التصنيف.

TensorBoard

قياس وتصور سير عمل التعلم الآلي.

الخطوة 5

النشر والمراقبة

استخدم الأدوات التالية لتتبع سياق النموذج وتفاصيله والتواصل بشأنه.

مجموعة أدوات البطاقة النموذجية

قم بإنشاء بطاقات نموذجية بسهولة باستخدام مجموعة أدوات Model Card.

البيانات الوصفية لتعلم الآلة

قم بتسجيل واسترجاع البيانات التعريفية المرتبطة بسير عمل مطور ML وعالم البيانات.

بطاقات نموذجية

تنظيم الحقائق الأساسية للتعلم الآلي بطريقة منظمة.

موارد المجتمع

تعرف على ما يفعله المجتمع واستكشف طرق المشاركة فيه.

التعهيد الجماعي من جوجل

ساعد منتجات Google في أن تصبح أكثر شمولاً وتمثيلاً للغتك ومنطقتك وثقافتك.

تحدي AI DevPost المسؤول

لقد طلبنا من المشاركين استخدام TensorFlow 2.2 لبناء نموذج أو تطبيق مع وضع مبادئ الذكاء الاصطناعي المسؤول في الاعتبار. قم بزيارة المعرض لرؤية الفائزين والمشاريع الرائعة الأخرى.

الذكاء الاصطناعي المسؤول مع TensorFlow (قمة TF Dev '20)

تقديم إطار عمل للتفكير في تعلم الآلة والعدالة والخصوصية.