Scopri come integrare le pratiche di intelligenza artificiale responsabile nel tuo flusso di lavoro ML utilizzando TensorFlow

TensorFlow si impegna ad aiutare a fare progressi nello sviluppo responsabile dell'IA condividendo una raccolta di risorse e strumenti con la comunità ML.

Cos'è l'IA responsabile?

Lo sviluppo dell'IA sta creando nuove opportunità per risolvere problemi impegnativi del mondo reale. Sta anche sollevando nuove domande sul modo migliore per costruire sistemi di intelligenza artificiale a vantaggio di tutti.

La progettazione di sistemi di intelligenza artificiale dovrebbe seguire le migliori pratiche di sviluppo del software mantenendo un approccio centrato sull'uomo
approccio a ML

Equità

Poiché l'impatto dell'IA aumenta in tutti i settori e nelle società, è fondamentale lavorare per sistemi che siano equi e inclusivi per tutti

Interpretabilità

Comprendere e fidarsi dei sistemi di intelligenza artificiale è importante per garantire che funzionino come previsto

Privacy

I modelli di addestramento basati su dati sensibili richiedono garanzie che tutelino la privacy

Sicurezza

L'identificazione di potenziali minacce può aiutare a mantenere i sistemi di intelligenza artificiale sicuri e protetti

AI responsabile nel tuo flusso di lavoro ML

Le pratiche di intelligenza artificiale responsabili possono essere incorporate in ogni fase del flusso di lavoro ML. Ecco alcune domande chiave da considerare in ogni fase.

Per chi è il mio sistema ML?

Il modo in cui gli utenti reali sperimentano il tuo sistema è essenziale per valutare il vero impatto delle sue previsioni, raccomandazioni e decisioni. Assicurati di ricevere input da un insieme diversificato di utenti nelle prime fasi del processo di sviluppo.

Sto utilizzando un set di dati rappresentativo?

I tuoi dati sono campionati in un modo che rappresenti i tuoi utenti (ad es. verranno utilizzati per tutte le età, ma hai solo dati di allenamento da anziani) e l'impostazione del mondo reale (ad es. verranno utilizzati tutto l'anno, ma hai solo formazione dati dell'estate)?

C'è un pregiudizio del mondo reale/umano nei miei dati?

I pregiudizi sottostanti nei dati possono contribuire a complessi circuiti di feedback che rafforzano gli stereotipi esistenti.

Quali metodi devo utilizzare per addestrare il mio modello?

Utilizzare metodi di formazione che integrino equità, interpretabilità, privacy e sicurezza nel modello.

Come si sta comportando il mio modello?

Valuta l'esperienza utente in scenari del mondo reale in un ampio spettro di utenti, casi d'uso e contesti d'uso. Testa e ripeti prima la versione sperimentale, seguita da test continui dopo il lancio.

Esistono cicli di feedback complessi?

Anche se tutto nella progettazione complessiva del sistema è realizzato con cura, i modelli basati su ML raramente funzionano con la perfezione al 100% quando applicati a dati reali e in tempo reale. Quando si verifica un problema in un prodotto live, valutare se si allinea con eventuali svantaggi sociali esistenti e in che modo sarà influenzato da soluzioni sia a breve che a lungo termine.

Strumenti di intelligenza artificiale responsabili per TensorFlow

L'ecosistema TensorFlow dispone di una suite di strumenti e risorse per aiutare ad affrontare alcune delle domande di cui sopra.

Passo 1

Definisci problema

Utilizza le seguenti risorse per progettare modelli tenendo presente l'IA responsabile.

Guida alla ricerca sulle persone + AI (PAIR)

Scopri di più sul processo di sviluppo dell'IA e sulle considerazioni chiave.

COPPIA Esplorabili

Esplora, tramite visualizzazioni interattive, domande e concetti chiave nel regno dell'IA responsabile.

Passo 2

Costruisci e prepara i dati

Utilizzare i seguenti strumenti per esaminare i dati per potenziali distorsioni.

Convalida dei dati TF

Analizza e trasforma i dati per rilevare problemi e progettare set di funzionalità più efficaci.

Schede dati

Crea un rapporto sulla trasparenza per il tuo set di dati.

Passaggio 3

Costruisci e addestra il modello

Utilizza i seguenti strumenti per addestrare i modelli utilizzando tecniche interpretabili e di conservazione della privacy e altro ancora.

Riparazione del modello TF

Addestra modelli di machine learning per promuovere risultati più equi.

TF Privacy

Addestra modelli di machine learning con privacy.

TF federato

Addestra modelli di machine learning utilizzando tecniche di apprendimento federato.

Ottimizzazione vincolata TF

Ottimizza i problemi con vincoli di disuguaglianza.

TF Lattice

Implementa modelli basati su reticolo flessibili, controllati e interpretabili.

Passaggio 4

Valuta il modello

Eseguire il debug, valutare e visualizzare le prestazioni del modello utilizzando i seguenti strumenti.

Indicatori di equità

Valuta le metriche di equità comunemente identificate per i classificatori binari e multiclasse.

Analisi del modello TF

Valutare i modelli in modo distribuito ed eseguire calcoli su diverse sezioni di dati.

Strumento ipotetico

Esamina, valuta e confronta i modelli di machine learning.

AI spiegabile

Sviluppare modelli di machine learning interpretabili e inclusivi.

Test sulla privacy di TF

Valutare le proprietà di privacy dei modelli di classificazione.

TensorBoard

Misura e visualizza il flusso di lavoro di machine learning.

Passaggio 5

Distribuire e monitorare

Utilizzare i seguenti strumenti per tenere traccia e comunicare in merito al contesto e ai dettagli del modello.

Kit di strumenti per schede modello

Genera facilmente schede modello utilizzando il toolkit Scheda modello.

Metadati ML

Registra e recupera i metadati associati ai flussi di lavoro di sviluppatori ML e data scientist.

Carte modello

Organizza i fatti essenziali del machine learning in modo strutturato.

Risorse comunitarie

Scopri cosa sta facendo la community ed esplora i modi per essere coinvolto.

Crowdsource di Google

Aiuta i prodotti Google a diventare più inclusivi e rappresentativi della tua lingua, regione e cultura.

Responsabile AI DevPost Challenge

Abbiamo chiesto ai partecipanti di utilizzare TensorFlow 2.2 per creare un modello o un'applicazione tenendo a mente i principi dell'AI responsabile. Dai un'occhiata alla gallery per vedere i vincitori e altri fantastici progetti.

AI responsabile con TensorFlow (TF Dev Summit '20)

Presentazione di un framework per pensare a machine learning, equità e privacy.

Continua