Pelajari cara mengintegrasikan praktik AI yang Bertanggung Jawab ke dalam alur kerja ML Anda menggunakan TensorFlow
TensorFlow berkomitmen untuk membantu membuat kemajuan dalam pengembangan AI yang bertanggung jawab dengan berbagi koleksi resource dan fitur dengan komunitas ML.
Apa itu AI yang Bertanggung Jawab?
Perkembangan AI menciptakan peluang baru untuk memecahkan masalah dunia nyata yang menantang. Ini juga menimbulkan pertanyaan baru tentang cara terbaik untuk membangun sistem AI yang menguntungkan semua orang.
Praktik terbaik yang direkomendasikan untuk AI
Merancang sistem AI harus mengikuti praktik terbaik pengembangan perangkat lunak sambil mengambil yang berpusat pada manusia
pendekatan ML
Keadilan
Karena dampak AI meningkat di seluruh sektor dan masyarakat, sangat penting untuk bekerja menuju sistem yang adil dan inklusif untuk semua orang
Interpretabilitas
Memahami dan mempercayai sistem AI penting untuk memastikannya berfungsi sebagaimana mestinya
Pribadi
Model pelatihan dari data sensitif membutuhkan pengamanan perlindungan privasi
Keamanan
Mengidentifikasi potensi ancaman dapat membantu menjaga sistem AI tetap aman dan terlindungi
AI yang bertanggung jawab dalam alur kerja ML Anda
Praktik AI yang bertanggung jawab dapat digabungkan di setiap langkah alur kerja ML. Berikut adalah beberapa pertanyaan kunci untuk dipertimbangkan pada setiap tahap.
Untuk siapa sistem ML saya?
Cara pengguna yang sebenarnya mengalami sistem Anda sangat penting untuk menilai dampak sebenarnya dari prediksi, rekomendasi, dan keputusannya. Pastikan untuk mendapatkan masukan dari beragam pengguna di awal proses pengembangan Anda.
Apakah saya menggunakan kumpulan data perwakilan?
Apakah data Anda diambil sampelnya dengan cara yang mewakili pengguna Anda (mis. Akan digunakan untuk semua usia, tetapi Anda hanya memiliki data pelatihan dari warga lanjut usia) dan pengaturan dunia nyata (mis. Akan digunakan sepanjang tahun, tetapi Anda hanya memiliki pelatihan data dari musim panas)?
Apakah ada bias dunia nyata / manusia dalam data saya?
Bias yang mendasari data dapat berkontribusi pada putaran umpan balik kompleks yang memperkuat stereotip yang ada.
Metode apa yang harus saya gunakan untuk melatih model saya?
Gunakan metode pelatihan yang membangun keadilan, interpretabilitas, privasi, dan keamanan ke dalam model.
Bagaimana kinerja model saya?
Evaluasi pengalaman pengguna dalam skenario dunia nyata di berbagai spektrum pengguna, kasus penggunaan, dan konteks penggunaan. Uji dan ulangi dalam dogfood terlebih dahulu, diikuti dengan pengujian lanjutan setelah peluncuran.
Apakah ada putaran umpan balik yang kompleks?
Meskipun segala sesuatu dalam keseluruhan desain sistem dibuat dengan hati-hati, model berbasis ML jarang beroperasi dengan kesempurnaan 100% saat diterapkan pada data langsung dan nyata. Saat masalah terjadi dalam produk langsung, pertimbangkan apakah hal itu sejalan dengan kerugian masyarakat yang ada, dan bagaimana hal itu akan dipengaruhi oleh solusi jangka pendek dan jangka panjang.
Alat AI yang bertanggung jawab untuk TensorFlow
Ekosistem TensorFlow memiliki serangkaian alat dan sumber daya untuk membantu menangani beberapa pertanyaan di atas.
Tentukan masalah
Gunakan sumber daya berikut untuk merancang model dengan AI yang Bertanggung Jawab.
Pelajari lebih lanjut tentang proses pengembangan AI dan pertimbangan utama.
Jelajahi, melalui visualisasi interaktif, pertanyaan dan konsep utama dalam ranah AI yang Bertanggung Jawab.
Bangun dan persiapkan data
Gunakan alat berikut untuk memeriksa data untuk potensi bias.
Menganalisis dan mengubah data untuk mendeteksi masalah dan merekayasa kumpulan fitur yang lebih efektif.
Bangun dan latih model
Gunakan alat berikut untuk melatih model menggunakan pemeliharaan privasi, teknik yang dapat ditafsirkan, dan banyak lagi.
Latih model pembelajaran mesin untuk mempromosikan hasil yang lebih adil.
Latih model pembelajaran mesin menggunakan teknik pembelajaran federasi.
Menerapkan model berbasis kisi yang fleksibel, terkontrol, dan dapat diinterpretasikan.
Evaluasi model
Debug, evaluasi, dan visualisasikan performa model menggunakan alat berikut.
Evaluasi metrik keadilan yang umumnya diidentifikasi untuk pengklasifikasi biner dan kelas jamak.
Mengevaluasi model secara terdistribusi dan menghitung irisan data yang berbeda.
Memeriksa, mengevaluasi, dan membandingkan model pembelajaran mesin.
Kembangkan model pembelajaran mesin yang dapat ditafsirkan dan inklusif.
Terapkan dan pantau
Gunakan alat berikut untuk melacak dan mengkomunikasikan tentang konteks dan detail model.
Rekam dan ambil metadata yang terkait dengan alur kerja developer ML dan data scientist.
Sumber daya komunitas
Pelajari apa yang dilakukan komunitas dan jelajahi cara untuk terlibat.
Bantu produk Google menjadi lebih inklusif dan mewakili bahasa, wilayah, dan budaya Anda.
Kami meminta peserta untuk menggunakan TensorFlow 2.2 untuk membuat model atau aplikasi dengan prinsip AI yang Bertanggung Jawab. Lihat galeri untuk melihat pemenang dan proyek luar biasa lainnya.
Memperkenalkan kerangka kerja untuk memikirkan ML, keadilan, dan privasi.