למד כיצד לשלב פרקטיקות AI אחראיות בתהליך העבודה שלך ב- ML באמצעות TensorFlow

למי מיועדת מערכת ה- ML שלי?

הדרך בה משתמשים ממשיים חווים את המערכת שלך היא חיונית להערכת ההשפעה האמיתית של התחזיות, ההמלצות וההחלטות שלה. הקפד לקבל קלט ממערך משתמשים מגוון בשלב מוקדם בתהליך הפיתוח שלך.

האם אני משתמש במערך נתונים מייצג?

האם הנתונים שלך נדגמו באופן שמייצג את המשתמשים שלך (למשל ישמש לכל הגילאים, אך יש לך רק נתוני הכשרה של אזרחים ותיקים) ואת ההגדרה בעולם האמיתי (למשל ישמשו כל השנה, אבל יש לך רק הכשרה נתונים מהקיץ)?

האם קיימת הטיה של העולם האמיתי / אנושי בנתונים שלי?

הטיות בסיסיות בנתונים יכולות לתרום לולאות משוב מורכבות המחזקות סטריאוטיפים קיימים.

באילו שיטות עלי להשתמש באימון המודל שלי?

השתמש בשיטות אימון הבונות הוגנות, פרשנות, פרטיות וביטחון במודל.

איך המודל שלי מתפקד?

הערך את חוויית המשתמש בתרחישים בעולם האמיתי על פני קשת רחבה של משתמשים, מקרי שימוש והקשרים של שימוש. בדקו תחילה ואכלו באוכל לכלבים, ואחריו המשך הבדיקה לאחר ההשקה.

האם יש לולאות משוב מורכבות?

גם אם כל דבר בתכנון המערכת הכולל מעוצב בקפידה, לעתים רחוקות מודלים מבוססי ML פועלים עם שלמות של 100% כאשר הם מוחלים על נתונים אמיתיים וחיים. כאשר בעיה מתרחשת במוצר חי, שקול אם הוא מסתדר עם חסרונות חברתיים קיימים, וכיצד הוא יושפע מפתרונות לטווח הקצר והארוך.