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 sumber daya dan alat dengan komunitas ML.
Apa itu AI yang Bertanggung Jawab?
Perkembangan AI menciptakan peluang baru untuk memecahkan masalah dunia nyata yang menantang. Hal ini juga menimbulkan pertanyaan baru tentang cara terbaik untuk membangun sistem AI yang bermanfaat bagi semua orang.
Praktik terbaik yang direkomendasikan untuk AI
Merancang sistem AI harus mengikuti praktik terbaik pengembangan perangkat lunak sambil mengambil pendekatan yang berpusat pada manusia
pendekatan ke ML
Keadilan
Karena dampak AI meningkat di seluruh sektor dan masyarakat, sangat penting untuk bekerja menuju sistem yang adil dan inklusif bagi semua orang
Interpretabilitas
Memahami dan memercayai sistem AI penting untuk memastikan sistem berfungsi sebagaimana dimaksud
Pribadi
Model pelatihan dari data sensitif membutuhkan perlindungan yang menjaga privasi
Keamanan
Mengidentifikasi potensi ancaman dapat membantu menjaga sistem AI tetap aman
AI yang bertanggung jawab dalam alur kerja ML Anda
Praktik AI yang bertanggung jawab dapat dimasukkan 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 yang representatif?
Apakah data Anda diambil sampelnya dengan cara yang mewakili pengguna Anda (misalnya akan digunakan untuk segala usia, tetapi Anda hanya memiliki data pelatihan dari warga senior) dan pengaturan dunia nyata (misalnya 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 loop umpan balik yang kompleks yang memperkuat stereotip yang ada.
Metode apa yang harus saya gunakan untuk melatih model saya?
Gunakan metode pelatihan yang membangun keadilan, interpretasi, privasi, dan keamanan ke dalam model.
Bagaimana performa model saya?
Evaluasi pengalaman pengguna dalam skenario dunia nyata di seluruh spektrum pengguna yang luas, kasus penggunaan, dan konteks penggunaan. Uji dan ulangi di dogfood terlebih dahulu, diikuti dengan pengujian lanjutan setelah peluncuran.
Apakah ada loop umpan balik yang kompleks?
Meskipun segala sesuatu dalam keseluruhan desain sistem dibuat dengan cermat, model berbasis ML jarang beroperasi dengan kesempurnaan 100% saat diterapkan pada data langsung dan nyata. Saat masalah terjadi dalam produk langsung, pertimbangkan apakah masalah tersebut sejalan dengan kerugian sosial 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 seperangkat alat dan sumber daya untuk membantu mengatasi beberapa pertanyaan di atas.
Definisikan masalah
Gunakan sumber daya berikut untuk merancang model dengan mempertimbangkan AI yang Bertanggung Jawab.
Pelajari lebih lanjut tentang proses pengembangan AI dan pertimbangan utama.
Jelajahi, melalui visualisasi interaktif, pertanyaan kunci, dan konsep di ranah AI yang Bertanggung Jawab.
Membangun dan menyiapkan data
Gunakan alat berikut untuk memeriksa data untuk kemungkinan bias.
Analisis dan ubah data untuk mendeteksi masalah dan merekayasa rangkaian fitur yang lebih efektif.
Bangun dan latih model
Gunakan alat berikut untuk melatih model menggunakan perlindungan 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 gabungan.
Menerapkan model berbasis kisi yang fleksibel, terkontrol, dan dapat ditafsirkan.
Evaluasi model
Debug, evaluasi, dan visualisasikan performa model menggunakan alat berikut.
Evaluasi metrik keadilan yang diidentifikasi secara umum untuk pengklasifikasi biner dan multi-kelas.
Mengevaluasi model secara terdistribusi dan menghitung pada irisan data yang berbeda.
Kembangkan model pembelajaran mesin yang dapat diinterpretasikan dan inklusif.
Sebarkan dan pantau
Gunakan alat berikut untuk melacak dan berkomunikasi tentang konteks dan detail model.
Hasilkan kartu model dengan mudah menggunakan toolkit Model Card.
Rekam dan ambil metadata yang terkait dengan alur kerja pengembang ML dan ilmuwan data.
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 membangun model atau aplikasi dengan mempertimbangkan prinsip-prinsip AI yang Bertanggung Jawab. Lihat galeri untuk melihat pemenang dan proyek luar biasa lainnya.
Memperkenalkan kerangka kerja untuk memikirkan ML, keadilan, dan privasi.