עזרה להגן על שונית המחסום הגדולה עם TensorFlow על Kaggle הצטרפו אתגר

למד כיצד לשלב פרקטיקות בינה מלאכותית אחראית בזרימת העבודה שלך ב-ML באמצעות TensorFlow

TensorFlow מחויבת לעזור להתקדם בפיתוח האחראי של AI על ידי שיתוף אוסף של משאבים וכלים עם קהילת ה-ML.

מה זה בינה מלאכותית אחראית?

הפיתוח של AI יוצר הזדמנויות חדשות לפתור בעיות מאתגרות בעולם האמיתי. זה גם מעלה שאלות חדשות לגבי הדרך הטובה ביותר לבנות מערכות AI שמועילות לכולם.

תכנון מערכות בינה מלאכותית צריך לעקוב אחר שיטות עבודה מומלצות לפיתוח תוכנה תוך שימוש באדם ממוקד
גישה ל-ML

הֲגִינוּת

ככל שהשפעת הבינה המלאכותית גדלה בין מגזרים וחברות, חיוני לפעול למען מערכות הוגנות ומכילות לכולם

ניתנות לפירוש

חשוב להבין ולסמוך על מערכות AI כדי להבטיח שהן פועלות כמתוכנן

פְּרָטִיוּת

אימון מודלים של נתונים רגישים זקוק לשמירה על פרטיות

בִּטָחוֹן

זיהוי איומים פוטנציאליים יכול לעזור לשמור על בטיחות מערכות בינה מלאכותית

AI אחראי בתהליך העבודה שלך ב-ML

ניתן לשלב שיטות AI אחראיות בכל שלב של זרימת העבודה של ML. הנה כמה שאלות מרכזיות שיש לקחת בחשבון בכל שלב.

למי מיועדת מערכת ה-ML שלי?

האופן שבו המשתמשים בפועל חווים את המערכת שלך חיונית להערכת ההשפעה האמיתית של התחזיות, ההמלצות וההחלטות שלה. הקפד לקבל מידע מקבוצה מגוונת של משתמשים בשלב מוקדם בתהליך הפיתוח שלך.

האם אני משתמש במערך נתונים מייצג?

האם הנתונים שלך נדגמו בצורה שמייצגת את המשתמשים שלך (למשל ישמשו לכל הגילאים, אבל יש לך רק נתוני הכשרה מאזרחים ותיקים) ואת ההגדרה בעולם האמיתי (למשל ישמש כל השנה, אבל יש לך רק הכשרה נתונים מהקיץ)?

האם יש הטיה בעולם האמיתי/אנושי בנתונים שלי?

הטיות בסיסיות בנתונים יכולות לתרום ללולאות משוב מורכבות שמחזקות סטריאוטיפים קיימים.

באילו שיטות עלי להשתמש כדי לאמן את המודל שלי?

השתמש בשיטות הדרכה שמבנות במודל הוגנות, פרשנות, פרטיות ואבטחה.

איך המודל שלי מתפקד?

הערכת חווית משתמש בתרחישים בעולם האמיתי על פני קשת רחבה של משתמשים, מקרי שימוש והקשרי שימוש. בדוק תחילה בניסוי לפני הפצה, ולאחר מכן המשך בדיקה לאחר ההשקה.

האם יש לולאות משוב מורכבות?

גם אם הכל בתכנון המערכת הכולל מעוצב בקפידה, מודלים מבוססי ML רק לעתים רחוקות פועלים ב-100% שלמות כשהם מיושמים על נתונים אמיתיים, חיים. כאשר מתרחשת בעיה במוצר חי, שקול האם היא תואמת את החסרונות החברתיים הקיימים, וכיצד היא תושפע מפתרונות לטווח קצר וארוך כאחד.

כלי AI אחראי עבור TensorFlow

למערכת האקולוגית של TensorFlow יש חבילה של כלים ומשאבים שיעזרו להתמודד עם כמה מהשאלות שלמעלה.

שלב 1

תגדיר בעיה

השתמש במשאבים הבאים כדי לעצב מודלים מתוך מחשבה על AI אחראי.

מדריך אנשים + AI Research (PAIR).

למד עוד על תהליך פיתוח בינה מלאכותית ושיקולים מרכזיים.

זוג חקירות

חקור, באמצעות הדמיות אינטראקטיביות, שאלות ומושגים מרכזיים בתחום הבינה המלאכותית האחראית.

שלב 2

לבנות ולהכין נתונים

השתמש בכלים הבאים כדי לבחון את הנתונים עבור הטיות אפשריות.

דע את הנתונים שלך (ביטא)

חקור באופן אינטראקטיבי את מערך הנתונים שלך כדי לשפר את איכות הנתונים ולהפחית בעיות הוגנות והטיה.

אימות נתונים של TF

ניתוח ושינוי נתונים כדי לזהות בעיות ולתכנן מערכי תכונות יעילים יותר.

כרטיסי נתונים

צור דוח שקיפות עבור מערך הנתונים שלך.

שלב 3

בנה ואימון מודל

השתמש בכלים הבאים כדי להכשיר מודלים תוך שימוש בטכניקות לשמירה על הפרטיות, הניתנות לפירוש ועוד.

תיקון דגם TF

אמן מודלים של למידת מכונה כדי לקדם תוצאות שוויוניות יותר.

פרטיות TF

אמן מודלים של למידת מכונה עם פרטיות.

TF פדרציה

אמן מודלים של למידת מכונה באמצעות טכניקות למידה מאוחדות.

TF Constrained Optimization

ייעול בעיות המוגבלות באי-שוויון.

סריג TF

הטמעת מודלים מבוססי סריג גמישים, מבוקרים וניתנים לפירוש.

שלב 4

הערכת מודל

איתור באגים, העריך ודמיין את ביצועי המודל באמצעות הכלים הבאים.

מדדי הוגנות

הערכת מדדי הוגנות המזוהים בדרך כלל עבור מסווגים בינאריים ורב-מעמדיים.

ניתוח מודל TF

העריכו מודלים בצורה מבוזרת וחשבו על פרוסות נתונים שונות.

כלי מה-אם

לבחון, להעריך ולהשוות מודלים של למידת מכונה.

כלי לפירוש שפה

הדמיין והבין מודלים של NLP.

AI ניתן להסבר

פתח מודלים של למידת מכונה ניתנים לפירוש וכוללני.

בדיקות פרטיות של TF

הערכת מאפייני הפרטיות של מודלים לסיווג.

TensorBoard

מדוד ודמיין את זרימת העבודה של למידת מכונה.

שלב 5

פרוס וניטור

השתמש בכלים הבאים כדי לעקוב ולתקשר לגבי הקשר ופרטים של המודל.

ערכת כלים לכרטיסי דגם

צור כרטיסי דגם בקלות באמצעות ערכת הכלים של כרטיס דגם.

מטא נתונים של ML

הקלט ואחזר מטא נתונים הקשורים לתהליכי עבודה של מפתחי ML ומדעני נתונים.

כרטיסי דגם

ארגן את העובדות החיוניות של למידת מכונה בצורה מובנית.

משאבי קהילה

למד מה הקהילה עושה ובדוק דרכים להיות מעורבות.

מיקור המונים מאת גוגל

עזור למוצרים של Google להפוך ליותר כוללים ומייצגים את השפה, האזור והתרבות שלך.

אתגר AI DevPost אחראי

ביקשנו מהמשתתפים להשתמש ב-TensorFlow 2.2 כדי לבנות מודל או יישום עם עקרונות בינה מלאכותית אחראית. בדוק את הגלריה כדי לראות את הזוכים ופרויקטים מדהימים אחרים.

AI אחראי עם TensorFlow (TF Dev Summit '20)

הצגת מסגרת לחשיבה על ML, הוגנות ופרטיות.