Bantuan melindungi Great Barrier Reef dengan TensorFlow pada Kaggle Bergabung Tantangan

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.

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

Interpretasi

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 semua 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 dalam data dapat berkontribusi pada loop umpan balik 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.

Langkah 1

Definisikan masalah

Gunakan sumber daya berikut untuk merancang model dengan mempertimbangkan AI yang Bertanggung Jawab.

Buku Panduan People + AI Research (PAIR)

Pelajari lebih lanjut tentang proses pengembangan AI dan pertimbangan utama.

PAIR yang Dapat Dijelajahi

Jelajahi, melalui visualisasi interaktif, pertanyaan kunci, dan konsep di ranah AI yang Bertanggung Jawab.

Langkah 2

Membangun dan menyiapkan data

Gunakan alat berikut untuk memeriksa data untuk kemungkinan bias.

Ketahui Data Anda (Beta)

Selidiki kumpulan data Anda secara interaktif untuk meningkatkan kualitas data dan mengurangi masalah keadilan dan bias.

Validasi Data TF

Analisis dan ubah data untuk mendeteksi masalah dan merekayasa rangkaian fitur yang lebih efektif.

Kartu Data

Buat laporan transparansi untuk kumpulan data Anda.

Langkah 3

Bangun dan latih model

Gunakan alat berikut untuk melatih model menggunakan perlindungan privasi, teknik yang dapat ditafsirkan, dan banyak lagi.

Remediasi Model TF

Latih model pembelajaran mesin untuk mempromosikan hasil yang lebih adil.

Privasi TF

Latih model pembelajaran mesin dengan privasi.

Federasi TF

Latih model pembelajaran mesin menggunakan teknik pembelajaran gabungan.

Optimasi Terbatas TF

Optimalkan masalah yang dibatasi oleh ketidaksetaraan.

Kisi TF

Menerapkan model berbasis kisi yang fleksibel, terkontrol, dan dapat ditafsirkan.

Langkah 4

Evaluasi model

Debug, evaluasi, dan visualisasikan performa model menggunakan alat berikut.

Indikator Kewajaran

Evaluasi metrik keadilan yang diidentifikasi secara umum untuk pengklasifikasi biner dan multi-kelas.

Analisis Model TF

Evaluasi model secara terdistribusi dan hitung pada irisan data yang berbeda.

Alat Bagaimana-Jika

Periksa, evaluasi, dan bandingkan model pembelajaran mesin.

Alat Penafsiran Bahasa

Visualisasikan dan pahami model NLP.

AI yang dapat dijelaskan

Kembangkan model pembelajaran mesin yang dapat diinterpretasikan dan inklusif.

Tes Privasi TF

Menilai properti privasi model klasifikasi.

Papan Tensor

Ukur dan visualisasikan alur kerja machine learning.

Langkah 5

Sebarkan dan pantau

Gunakan alat berikut untuk melacak dan berkomunikasi tentang konteks dan detail model.

Perangkat Kartu Model

Hasilkan kartu model dengan mudah menggunakan toolkit Model Card.

Metadata ML

Rekam dan ambil metadata yang terkait dengan alur kerja pengembang ML dan ilmuwan data.

Kartu Model

Atur fakta penting pembelajaran mesin dengan cara yang terstruktur.

Sumber daya komunitas

Pelajari apa yang dilakukan komunitas dan jelajahi cara untuk terlibat.

Crowdsource oleh Google

Bantu produk Google menjadi lebih inklusif dan mewakili bahasa, wilayah, dan budaya Anda.

Tantangan AI DevPost yang Bertanggung Jawab

Kami meminta peserta untuk menggunakan TensorFlow 2.2 untuk membangun model atau aplikasi dengan mempertimbangkan prinsip AI yang Bertanggung Jawab. Lihat galeri untuk melihat pemenang dan proyek luar biasa lainnya.

AI yang Bertanggung Jawab dengan TensorFlow (TF Dev Summit '20)

Memperkenalkan kerangka kerja untuk memikirkan ML, keadilan, dan privasi.