तिथि को रक्षित करें! Google I / O 18-20 मई को पंजीकृत करता है
इस पेज का अनुवाद Cloud Translation API से किया गया है.
Switch to English

TensorFlow का उपयोग करके अपने AI वर्कफ़्लो में जिम्मेदार AI प्रथाओं को एकीकृत करना सीखें

TensorFlow ML समुदाय के साथ संसाधनों और उपकरणों का एक संग्रह साझा करके AI के जिम्मेदार विकास में प्रगति करने में मदद करने के लिए प्रतिबद्ध है।

जिम्मेदार एआई क्या है?

एआई का विकास चुनौतीपूर्ण, वास्तविक दुनिया की समस्याओं को हल करने के लिए नए अवसर पैदा कर रहा है। यह एआई सिस्टम बनाने के सबसे अच्छे तरीके के बारे में भी नए सवाल उठा रहा है जो सभी को फायदा पहुंचाते हैं।

एआई सिस्टम डिज़ाइन करना मानव-केंद्रित लेते समय सॉफ्टवेयर विकास सर्वोत्तम प्रथाओं का पालन करना चाहिए
एमएल के लिए दृष्टिकोण

फेयरनेस

जैसा कि AI का प्रभाव सभी क्षेत्रों और समाजों में बढ़ता है, ऐसे सिस्टम की दिशा में काम करना महत्वपूर्ण है जो सभी के लिए निष्पक्ष और समावेशी हों

विवेचनीयता

एआई सिस्टम को समझना और भरोसा करना यह सुनिश्चित करने के लिए महत्वपूर्ण है कि वे इरादा के अनुसार काम कर रहे हैं

एकांत

संवेदनशील डेटा के प्रशिक्षण मॉडल को सुरक्षा उपायों की गोपनीयता की आवश्यकता होती है

सुरक्षा

संभावित खतरों की पहचान करने से AI सिस्टम को सुरक्षित और सुरक्षित रखने में मदद मिल सकती है

अपने एमएल वर्कफ़्लो में जिम्मेदार एआई

जिम्मेदार एआई प्रथाओं को एमएल वर्कफ़्लो के हर चरण में शामिल किया जा सकता है। यहां प्रत्येक चरण पर विचार करने के लिए कुछ महत्वपूर्ण प्रश्न दिए गए हैं।

मेरी एमएल प्रणाली किसके लिए है?

वास्तविक उपयोगकर्ता जिस तरह से आपके सिस्टम का अनुभव करते हैं, वह उसकी भविष्यवाणियों, सिफारिशों और निर्णयों के वास्तविक प्रभाव का आकलन करने के लिए आवश्यक है। अपनी विकास प्रक्रिया के आरंभ में उपयोगकर्ताओं के विविध सेट से इनपुट प्राप्त करना सुनिश्चित करें।

क्या मैं एक प्रतिनिधि डाटासेट का उपयोग कर रहा हूँ?

क्या आपका डेटा इस तरह से नमूना लिया गया है जो आपके उपयोगकर्ताओं का प्रतिनिधित्व करता है (जैसे सभी उम्र के लिए उपयोग किया जाएगा, लेकिन आपके पास केवल वरिष्ठ नागरिकों का प्रशिक्षण डेटा है) और वास्तविक दुनिया की सेटिंग (उदाहरण के लिए साल भर उपयोग किया जाएगा, लेकिन आपके पास केवल प्रशिक्षण है गर्मियों से डेटा)?

क्या मेरे डेटा में वास्तविक दुनिया / मानव पूर्वाग्रह है?

डेटा में अंडरलाइंग पूर्वाग्रह जटिल प्रतिक्रिया छोरों में योगदान कर सकते हैं जो मौजूदा रूढ़ियों को मजबूत करते हैं।

अपने मॉडल को प्रशिक्षित करने के लिए मुझे किन तरीकों का उपयोग करना चाहिए?

मॉडल में निष्पक्षता, व्याख्या, गोपनीयता और सुरक्षा का निर्माण करने वाले प्रशिक्षण विधियों का उपयोग करें।

मेरा मॉडल कैसा प्रदर्शन कर रहा है?

उपयोगकर्ताओं के व्यापक स्पेक्ट्रम, उपयोग के मामलों और संदर्भों के वास्तविक दुनिया के परिदृश्यों में उपयोगकर्ता अनुभव का मूल्यांकन करें। पहले डॉगफूड में टेस्ट और पुनरावृति, इसके बाद लॉन्च के बाद निरंतर परीक्षण।

क्या जटिल प्रतिक्रियाएं हैं?

यहां तक ​​कि अगर समग्र प्रणाली के डिजाइन में सब कुछ सावधानी से तैयार किया गया है, तो एमएल-आधारित मॉडल वास्तविक, लाइव डेटा पर लागू होने पर शायद ही कभी 100% पूर्णता के साथ काम करते हैं। जब किसी लाइव उत्पाद में कोई समस्या होती है, तो विचार करें कि क्या यह किसी भी मौजूदा सामाजिक नुकसान के साथ संरेखित करता है, और यह लघु और दीर्घकालिक दोनों समाधानों से कैसे प्रभावित होगा।

TensorFlow के लिए जिम्मेदार एआई उपकरण

ऊपर दिए गए कुछ सवालों से निपटने में मदद करने के लिए TensorFlow पारिस्थितिकी तंत्र के पास उपकरणों और संसाधनों का एक सूट है।

स्टेप 1

समस्या को परिभाषित करें

जिम्मेदार एआई के साथ मॉडल डिजाइन करने के लिए निम्नलिखित संसाधनों का उपयोग करें।

लोग + एआई रिसर्च (पीएआईआर) गाइडबुक

AI विकास प्रक्रिया और मुख्य विचारों के बारे में अधिक जानें।

पीएआईआर खोजकर्ता

जिम्मेदार एआई के दायरे में इंटरैक्टिव विज़ुअलाइज़ेशन, प्रमुख प्रश्नों और अवधारणाओं के माध्यम से अन्वेषण करें।

चरण 2

डेटा तैयार और तैयार करना

संभावित गैसों के डेटा की जांच करने के लिए निम्नलिखित उपकरणों का उपयोग करें।

TF डेटा सत्यापन

समस्याओं का पता लगाने के लिए डेटा का विश्लेषण और रूपांतरण और इंजीनियर अधिक प्रभावी फीचर सेट।

डेटा कार्ड

अपने डेटासेट के लिए एक पारदर्शिता रिपोर्ट बनाएं।

चरण 3

मॉडल का निर्माण और प्रशिक्षण

गोपनीयता-संरक्षण, व्याख्या करने योग्य तकनीकों और अधिक का उपयोग करके मॉडल को प्रशिक्षित करने के लिए निम्नलिखित टूल का उपयोग करें।

टीएफ मॉडल रेमेडिएशन

अधिक समान परिणामों को बढ़ावा देने के लिए ट्रेन मशीन लर्निंग मॉडल।

TF गोपनीयता

गोपनीयता के साथ ट्रेन मशीन सीखने के मॉडल।

TF फेडरेटेड

फ़ेडरेटेड लर्निंग तकनीकों का उपयोग करते हुए ट्रेन मशीन लर्निंग मॉडल।

टीएफ विवश अनुकूलन

विषमता-विवश समस्याओं का अनुकूलन।

टीएफ जाली

लचीला, नियंत्रित और व्याख्यात्मक जाली आधारित मॉडल को लागू करें।

चरण 4

मॉडल का मूल्यांकन करें

डिबग, मूल्यांकन, और निम्नलिखित उपकरणों का उपयोग करके मॉडल के प्रदर्शन की कल्पना करें।

निष्पक्षता संकेतक

बाइनरी और मल्टी-क्लास क्लासीफायर के लिए सामान्य रूप से पहचाने गए निष्पक्षता मैट्रिक्स का मूल्यांकन करें।

TF मॉडल विश्लेषण

वितरित तरीके से मॉडल का मूल्यांकन करें और डेटा के विभिन्न स्लाइस पर गणना करें।

क्या-अगर टूल

मशीन लर्निंग मॉडल की जांच, मूल्यांकन और तुलना करें।

भाषा व्याख्या उपकरण

कल्पना करें और एनएलपी मॉडल को समझें।

व्याख्या करने योग्य ए.आई.

व्याख्यात्मक और समावेशी मशीन लर्निंग मॉडल विकसित करें।

TF गोपनीयता टेस्ट

वर्गीकरण मॉडल के गोपनीयता गुणों का आकलन करें।

टेंसरबोर्ड

मापने और मशीन सीखने कार्यप्रवाह कल्पना।

चरण 5

तैनात करें और निगरानी करें

मॉडल के संदर्भ और विवरणों को ट्रैक और संवाद करने के लिए निम्नलिखित उपकरणों का उपयोग करें।

मॉडल कार्ड टूलकिट

मॉडल कार्ड टूलकिट का उपयोग करके आसानी से मॉडल कार्ड बनाएं।

एमएल मेटाडेटा

एमएल डेवलपर और डेटा वैज्ञानिक वर्कफ़्लोज़ के साथ जुड़े मेटाडेटा को रिकॉर्ड करें और पुनर्प्राप्त करें।

मॉडल कार्ड

मशीन लर्निंग के आवश्यक तथ्यों को एक संरचित तरीके से व्यवस्थित करें।

सामूहिक संसाधन

जानें कि समुदाय क्या कर रहा है और इसमें शामिल होने के तरीकों का पता लगाएं।

Google द्वारा क्राउडसोर्स

Google के उत्पादों को आपकी भाषा, क्षेत्र और संस्कृति के अधिक समावेशी और प्रतिनिधि बनने में सहायता करें।

जिम्मेदार एआई देवपोस्ट चैलेंज

हमने प्रतिभागियों को जिम्मेदार एआई सिद्धांतों को ध्यान में रखते हुए एक मॉडल या एप्लिकेशन बनाने के लिए टेन्सरफ्लो 2.2 का उपयोग करने के लिए कहा। विजेताओं और अन्य अद्भुत परियोजनाओं को देखने के लिए गैलरी देखें।

TensorFlow (TF Dev Summit '20) के साथ जिम्मेदार एआई

प्रस्तुत है एमएल, निष्पक्षता और गोपनीयता के बारे में सोचने के लिए एक रूपरेखा।

जारी रखें