بیاموزید که چگونه با استفاده از TensorFlow تمرینات هوش مصنوعی مسئول را در گردش کار ML خود ادغام کنید

TensorFlow متعهد است که با به اشتراک گذاشتن مجموعه ای از منابع و ابزارها با جامعه ML به پیشرفت در توسعه مسئولانه AI کمک کند.

هوش مصنوعی مسئول چیست؟

توسعه هوش مصنوعی فرصت های جدیدی را برای حل مشکلات چالش برانگیز و دنیای واقعی ایجاد می کند. همچنین سوالات جدیدی در مورد بهترین راه برای ایجاد سیستم های هوش مصنوعی که به نفع همه باشد مطرح می شود.

طراحی سیستم های هوش مصنوعی باید بهترین شیوه های توسعه نرم افزار را در حین استفاده از انسان محور دنبال کند
رویکرد به ML

انصاف

با افزایش تأثیر هوش مصنوعی در بخشها و جوامع ، کار در جهت سیستمهایی که عادلانه و فراگیر برای همه باشد ضروری است.

تفسیرپذیری

درک و اعتماد به سیستم های هوش مصنوعی برای اطمینان از کارکرد آن ها مطابق آنچه که در نظر گرفته شده است بسیار مهم است

حریم خصوصی

مدلهای آموزشی خارج از داده های حساس نیاز به حفظ حریم خصوصی دارند

امنیت

شناسایی تهدیدهای احتمالی می تواند به ایمن و ایمن نگه داشتن سیستم های هوش مصنوعی کمک کند

هوش مصنوعی مسئول در گردش کار ML شما

شیوه های مسئول هوش مصنوعی را می توان در هر مرحله از گردش کار ML گنجانید. در اینجا برخی از سوالات کلیدی است که باید در هر مرحله مورد توجه قرار گیرد.

سیستم ML من برای چه کسانی مناسب است؟

نحوه برخورد کاربران واقعی با سیستم شما برای ارزیابی تأثیر واقعی پیش بینی ها ، توصیه ها و تصمیمات آن ضروری است. مطمئن شوید که در مراحل اولیه توسعه خود از مجموعه متنوعی از کاربران اطلاعات دریافت می کنید.

آیا از مجموعه داده نماینده استفاده می کنم؟

آیا از داده های شما به گونه ای استفاده می شود که نمایانگر کاربران شما باشد (به عنوان مثال برای همه سنین استفاده می شود ، اما شما فقط داده های آموزشی افراد سالمند را دارید) و محیط واقعی (به عنوان مثال در تمام طول سال استفاده می شود ، اما شما فقط آموزش دارید) اطلاعات مربوط به تابستان)؟

آیا در داده های من تعصب واقعی/انسانی وجود دارد؟

سوگیری های اساسی در داده ها می تواند به حلقه های بازخورد پیچیده ای کمک کند که کلیشه های موجود را تقویت می کند.

از چه روش هایی برای آموزش مدل خود استفاده کنم؟

از روشهای آموزشی استفاده کنید که انصاف ، تفسیرپذیری ، حریم خصوصی و امنیت را در مدل ایجاد کند.

مدل من چگونه کار می کند؟

تجربه کاربر را در سناریوهای دنیای واقعی در طیف وسیعی از کاربران ، موارد استفاده و زمینه های استفاده ارزیابی کنید. ابتدا در آزمایش آزمایشی آزمایش و تکرار کنید و پس از راه اندازی آزمایش را ادامه دهید.

آیا حلقه های پیچیده بازخورد وجود دارد؟

حتی اگر همه چیز در طراحی کلی سیستم به دقت طراحی شده باشد ، مدلهای مبتنی بر ML به ندرت در صورت استفاده از داده های واقعی و واقعی با 100٪ کمال عمل می کنند. هنگامی که مشکلی در یک محصول زنده رخ می دهد ، در نظر بگیرید که آیا آن با معایب اجتماعی موجود مطابقت دارد یا خیر ، و راه حل های کوتاه مدت و بلند مدت چگونه بر آن تأثیر می گذارد.

ابزارهای هوش مصنوعی مسئول برای TensorFlow

اکوسیستم TensorFlow دارای مجموعه ای از ابزارها و منابع است که به حل برخی از سوالات بالا کمک می کند.

مرحله 1

مشکل را تعریف کنید

از منابع زیر برای طراحی مدلها با در نظر گرفتن هوش مصنوعی مسئول استفاده کنید.

کتاب راهنمای People + AI Research (PAIR)

در مورد فرایند توسعه هوش مصنوعی و ملاحظات کلیدی بیشتر بدانید.

PAIR Explorables

کاوش ، از طریق تجسم تعاملی ، سوالات و مفاهیم کلیدی در حوزه هوش مصنوعی مسئول.

گام 2

ساخت و آماده سازی داده ها

از ابزارهای زیر برای بررسی داده ها برای سوگیری های احتمالی استفاده کنید.

اطلاعات خود را بتا بدانید (بتا)

مجموعه داده های خود را به صورت تعاملی برای بهبود کیفیت داده ها و کاهش مسائل منصفانه و سوگیری بررسی کنید.

اعتبار سنجی داده های TF

تجزیه و تحلیل و تبدیل داده ها برای تشخیص مشکلات و مهندسی مجموعه ویژگی های موثرتر.

کارت های داده

یک گزارش شفافیت برای مجموعه داده خود ایجاد کنید.

مرحله 3

ساخت و آموزش مدل

از ابزارهای زیر برای آموزش مدلها با استفاده از تکنیک های حفظ حریم خصوصی ، تفسیرپذیر و موارد دیگر استفاده کنید.

اصلاح مدل TF

مدلهای یادگیری ماشین را برای ارتقاء نتایج عادلانه تربیت کنید.

حریم خصوصی TF

مدلهای یادگیری ماشین را با حریم خصوصی آموزش دهید.

TF فدراسیون

آموزش مدل های یادگیری ماشین با استفاده از تکنیک های یادگیری فدرال

TF بهینه سازی محدود

بهینه سازی مشکلات ناشی از نابرابری

شبکه TF

مدلهای انعطاف پذیر ، کنترل شده و قابل تفسیر را بر اساس شبکه اجرا کنید.

مرحله 4

مدل را ارزیابی کنید

اشکال زدایی ، ارزیابی و تجسم عملکرد مدل با استفاده از ابزارهای زیر.

شاخص های عدالت

معیارهای عادلانه شناخته شده برای طبقه بندی کننده های دوتایی و چند کلاسی را ارزیابی کنید.

تجزیه و تحلیل مدل TF

مدل ها را به صورت توزیع شده ارزیابی کرده و برش های مختلف داده را محاسبه کنید.

ابزار What-If

مدلهای یادگیری ماشین را بررسی ، ارزیابی و مقایسه کنید.

ابزار تفسیر زبان

مدلهای NLP را تجسم کرده و درک کنید.

AI قابل توضیح

ایجاد مدلهای تفسیر و فراگیر یادگیری ماشین

آزمایشات حریم خصوصی TF

خصوصیات حریم خصوصی مدلهای طبقه بندی را ارزیابی کنید.

TensorBoard

گردش کار یادگیری ماشین را اندازه گیری و تجسم کنید.

مرحله 5

مستقر و نظارت کنید

از ابزارهای زیر برای ردیابی و برقراری ارتباط در مورد زمینه و جزئیات مدل استفاده کنید.

جعبه ابزار کارت مدل

کارت های مدل را با سهولت با استفاده از جعبه ابزار Model Card تولید کنید.

فراداده ML

ثبت و بازیابی فراداده های مرتبط با گردش کار ML توسعه دهنده و دانشمند داده.

کارت های مدل

حقایق اساسی یادگیری ماشین را به صورت ساختارمند سازماندهی کنید.

منابع جامعه

بیاموزید که جامعه چه می کند و راههای مشارکت را کشف کنید.

جمع آوری منابع توسط Google

به محصولات Google کمک کنید تا فراگیرتر و نماینده زبان ، منطقه و فرهنگ شما شوند.

مسئول چالش AI DevPost

ما از شرکت کنندگان خواستیم از TensorFlow 2.2 برای ساختن یک مدل یا برنامه با رعایت اصول هوش مصنوعی مسئول استفاده کنند. برای دیدن برندگان و سایر پروژه های شگفت انگیز به گالری مراجعه کنید.

هوش مصنوعی مسئول با TensorFlow (TF Dev Summit '20)

معرفی چارچوبی برای تفکر در مورد ML ، انصاف و حریم خصوصی.