דף זה תורגם על ידי Cloud Translation API.
Switch to English

למד כיצד לשלב פרקטיקות AI אחראיות בתהליך העבודה שלך ב- ML באמצעות TensorFlow

TensorFlow מחויבת לעזור להתקדם בפיתוח אחראי של AI על ידי שיתוף אוסף של משאבים וכלים עם קהילת ה- ML.

מהו AI אחראי?

הפיתוח של AI יוצר הזדמנויות חדשות לפתור בעיות מאתגרות בעולם האמיתי. זה גם מעלה שאלות חדשות לגבי הדרך הטובה ביותר לבנות מערכות AI שמועילות לכולם.

תכנון מערכות AI צריך לפעול בהתאם לשיטות העבודה המומלצות לפיתוח תוכנה תוך כדי שימוש במרכז אנושי
גישה ל- ML

הֲגִינוּת

ככל שההשפעה של AI גדלה במגזרים וחברות, חשוב לעבוד על מערכות הוגנות וכוללות לכולם

פרשנות

הבנה ואמון על מערכות AI מורכבות מכדי להבטיח שהן פועלות כמתוכנן

פְּרָטִיוּת

הדרכת מודלים מחוץ לנתונים רגישים מצריכה שמירה על פרטיות

בִּטָחוֹן

זיהוי איומים פוטנציאליים יכול לסייע בשמירה על אבטחת מערכות AI

AI אחראי בתהליך העבודה שלך ב- ML

ניתן לשלב פרקטיקות אחראיות של AI בכל שלב בתהליך העבודה של ML. להלן מספר שאלות עיקריות שיש לקחת בחשבון בכל שלב.

למי מיועדת מערכת ה- ML שלי?

הדרך בה משתמשים ממשיים חווים את המערכת שלך היא חיונית להערכת ההשפעה האמיתית של התחזיות, ההמלצות וההחלטות שלה. הקפד לקבל קלט ממערך משתמשים מגוון בשלב מוקדם בתהליך הפיתוח שלך.

האם אני משתמש במערך נתונים מייצג?

האם הנתונים שלך נדגמו באופן שמייצג את המשתמשים שלך (למשל ישמש לכל הגילאים, אך יש לך רק נתוני הכשרה של אזרחים ותיקים) ואת ההגדרה בעולם האמיתי (למשל ישמשו כל השנה, אבל יש לך רק הכשרה נתונים מהקיץ)?

האם קיימת הטיה של העולם האמיתי / אנושי בנתונים שלי?

הטיות בסיסיות בנתונים יכולות לתרום לולאות משוב מורכבות המחזקות סטריאוטיפים קיימים.

באילו שיטות עלי להשתמש באימון המודל שלי?

השתמש בשיטות אימון הבונות הוגנות, פרשנות, פרטיות וביטחון במודל.

איך המודל שלי מתפקד?

הערך את חוויית המשתמש בתרחישים בעולם האמיתי על פני קשת רחבה של משתמשים, מקרי שימוש והקשרים של שימוש. בדקו תחילה ואכלו באוכל לכלבים, ואחריו המשך הבדיקה לאחר ההשקה.

האם יש לולאות משוב מורכבות?

גם אם הכל בתכנון המערכת הכולל מעוצב בקפידה, לעתים רחוקות מודלים מבוססי ML פועלים עם שלמות של 100% כאשר הם מוחלים על נתונים אמיתיים, חיים. כאשר בעיה מתרחשת במוצר חי, שקול אם הוא מתיישב עם חסרונות חברתיים קיימים, וכיצד הוא יושפע מפתרונות לטווח הקצר והארוך.

כלי AI אחראי עבור TensorFlow

למערכת האקולוגית של TensorFlow יש מגוון כלים ומשאבים שיעזרו להתמודד עם כמה מהשאלות לעיל.

שלב 1

הגדר בעיה

השתמש במשאבים הבאים כדי לעצב מודלים עם מחשבה על AI אחראי.

ספר הדרכה למחקר אנשים + AI (PAIR)

למידע נוסף על תהליך פיתוח AI ושיקולים מרכזיים.

PAIR Explorables

חקור, באמצעות הדמיה אינטראקטיבית, שאלות מפתח ומושגים בתחום ה- AI האחראי.

שלב 2

לבנות ולהכין נתונים

השתמש בכלים הבאים לבחינת נתונים להטיות פוטנציאליות.

אימות נתונים של TF

ניתוח והפיכת נתונים לאיתור בעיות והנדסת מערכי תכונות יעילים יותר.

כרטיסי נתונים

צור דוח שקיפות למערך הנתונים שלך.

שלב 3

בנה ואמן מודל

השתמש בכלים הבאים לאימון מודלים תוך שימוש בטכניקות שמירה על פרטיות, פרשנות ועוד.

תיקון מודל TF

הרכבת מודלים של למידת מכונה לקידום תוצאות שוויוניות יותר.

פרטיות TF

הרכבת מודלים של למידת מכונה עם פרטיות.

TF מאוחד

הרכבת מודלים של למידת מכונה באמצעות טכניקות למידה מאוחדות.

אופטימיזציה מוגבלת של TF

ייעל בעיות מוגבלות באי-שוויון.

סריג TF

הטמיע מודלים מבוססי סריג גמישים, מבוקרים וניתנים לפרשנות.

שלב 4

הערך מודל

ניפוי באגים, הערכה והמחשה של ביצועי המודל באמצעות הכלים הבאים.

מדדי הוגנות

הערך מדדי הגינות נפוצים עבור מסווגים בינאריים ורב-כיתתיים.

ניתוח מודל TF

הערך מודלים באופן מבוזר וחשב על פרוסות נתונים שונות.

כלי מה אם

בחן, הערך והשווה מודלים של למידת מכונה.

כלי לפרשנות שפה

דמיינו והבינו מודלים של NLP.

הסבר על AI

פיתחו מודלים ללימוד מכונה פרשניים וכוללים.

בדיקות פרטיות של TF

הערך את מאפייני הפרטיות של מודלים לסיווג.

TensorBoard

מדוד והמחיש את זרימת העבודה של למידת מכונה

שלב 5

לפרוס ולפקח

השתמש בכלים הבאים כדי לעקוב ולתקשר אודות הקשר מודל ופרטים.

ערכת כלים מדגם כרטיסים

צור קלפי מודל בקלות בעזרת ערכת הכלים Model Card.

מטא נתונים של ML

הקלט ואחזר מטא נתונים המשויכים לתהליכי עבודה של מפתח ML ומדעני נתונים.

כרטיסי מודל

ארגן את העובדות החיוניות של למידת מכונה בצורה מובנית.

משאבים קהילתיים

למד מה הקהילה עושה וחקור דרכים להתערב.

מקורות המונים על ידי גוגל

עזור למוצרי גוגל להיות יותר מכלילים ומייצגים את השפה, האזור והתרבות שלך.

אתגר אחראי ל- AI של DevPost

ביקשנו מהמשתתפים להשתמש ב- TensorFlow 2.2 לבניית מודל או יישום עם עקרונות AI אחראים. בדוק בגלריה כדי לראות את הזוכים ופרויקטים מדהימים אחרים.

AI אחראי עם TensorFlow (TF Dev Summit '20)

הצגת מסגרת לחשיבה על ML, הוגנות ופרטיות.

המשך