למד כיצד לשלב נוהלי AI אחראיים בתהליך העבודה שלך ב- ML באמצעות TensorFlow

TensorFlow מחויבת לסייע להתקדמות בפיתוח אחראי של AI על ידי שיתוף אוסף משאבים וכלים עם קהילת ML.

מהו AI אחראי?

פיתוח AI יוצר הזדמנויות חדשות לפתור בעיות מאתגרות בעולם האמיתי. היא גם מעלה שאלות חדשות לגבי הדרך הטובה ביותר לבנות מערכות AI המועילות לכולם.

עיצוב מערכות AI צריך לעקוב אחר שיטות מומלצות לפיתוח תוכנה תוך לקיחת אדם הממוקד באדם
גישה ל- ML

הֲגִינוּת

ככל שההשפעה של AI גוברת במגזרים וחברות, חשוב לפעול למערכות הוגנות ומכילות לכולם

פרשנות

הבנה ואמון של מערכות AI חשובות כדי להבטיח שהן פועלות כמתוכנן

פְּרָטִיוּת

אימון מודלים לנתונים רגישים דורש שמירה על פרטיות

בִּטָחוֹן

זיהוי איומים פוטנציאליים יכול לסייע בשמירה על אבטחת מערכות AI

AI אחראי בזרימת העבודה שלך ב- ML

ניתן לשלב נוהלי AI אחראיים בכל שלב בתהליך העבודה של ML. להלן מספר שאלות מרכזיות שיש לקחת בחשבון בכל שלב.

למי מיועדת מערכת ה- ML שלי?

הדרך שבה משתמשים ממשיים חווים את המערכת שלך חיונית להערכת ההשפעה האמיתית של תחזיותיה, המלצותיה והחלטותיה. הקפד לקבל קלט ממגוון משתמשים בשלב מוקדם בתהליך הפיתוח שלך.

האם אני משתמש במערך נתונים מייצג?

האם הנתונים שלך נדגמים באופן המייצג את המשתמשים שלך (למשל, ישמשו אותם לכל הגילאים, אך יש לך רק נתוני הכשרה מאזרחים ותיקים) וההגדרה של העולם האמיתי (למשל, ישמשו כל השנה, אך יש לך הכשרה בלבד נתונים מהקיץ)?

האם יש הטייה בעולם האמיתי/אנושי בנתונים שלי?

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

באילו שיטות עלי להשתמש כדי להכשיר את המודל שלי?

השתמשו בשיטות אימון הנותנות הוגנות, פרשנות, פרטיות ואבטחה לתוך המודל.

איך הדוגמנית שלי מתפקדת?

העריכו את חווית המשתמש בתרחישים בעולם האמיתי במגוון רחב של משתמשים, מקרי שימוש והקשרים של שימוש. בדוק וחזר על מזון כלבים תחילה, ולאחר מכן המשך הבדיקות לאחר ההשקה.

האם יש לולאות משוב מורכבות?

גם אם הכל בעיצוב המערכת הכולל מעוצב בקפידה, מודלים מבוססי ML ממעטים לפעול בשלמות של 100% כאשר הם מיושמים על נתונים חיים, אמיתיים. כאשר מתרחשת בעיה במוצר חי, שקול האם הוא תואם את החסרונות הקיימים בחברה, וכיצד הוא יושפע מפתרונות לטווח קצר וארוך.

כלי AI אחראיים ל- TensorFlow

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

שלב 1

הגדר בעיה

השתמש במשאבים הבאים לעיצוב מודלים תוך מחשבה על AI אחראי.

מדריך אנשים + מחקר מחקר (AI)

למידע נוסף על תהליך פיתוח AI ושיקולים מרכזיים.

PAIR ניתנים לגלות

חקור, באמצעות הדמיות אינטראקטיביות, שאלות מפתח ומושגים בתחום ה- AI האחראי.

שלב 2

לבנות ולהכין נתונים

השתמש בכלים הבאים כדי לבחון נתונים להטיות פוטנציאליות.

דע את הנתונים שלך (בטא)

חקור אינטראקטיבית את מערך הנתונים שלך כדי לשפר את איכות הנתונים ולצמצם בעיות של הוגנות והטיה.

אימות נתוני TF

נתח והמיר נתונים לזיהוי בעיות והנדס מערכות תכונות יעילות יותר.

כרטיסי נתונים

צור דוח שקיפות עבור מערך הנתונים שלך.

שלב 3

בנה והכשיר מודל

השתמש בכלים הבאים לאימון מודלים תוך שימוש בטכניקות שמורות על פרטיות, וניתנות לפרשנות ועוד.

תיקון דגמי TF

הכשיר מודלים של למידת מכונות לקידום תוצאות שוויוניות יותר.

פרטיות TF

הרכבת מודלים של למידת מכונות עם פרטיות.

TF מאוגד

אימון מודלים של למידת מכונה באמצעות טכניקות למידה מאוחדות.

אופטימיזציה מוגבלת של TF

ייעל בעיות מוגבלות באי שוויון.

סריג TF

יישום מודלים גמישים, מבוקרים וניתנים לפרשנות.

שלב 4

להעריך את המודל

איתור באגים, הערכה ודמיון של ביצועי המודל באמצעות הכלים הבאים.

אינדיקטורים של הוגנות

העריך מדדי הוגנות נפוצים עבור מסווגים בינאריים ורב-קלאסיים.

ניתוח מודלים TF

להעריך מודלים באופן מבוזר ולחשב על פרוסות נתונים שונות.

כלי מה אם

בחנו, העריכו והשוו מודלים של למידת מכונה.

כלי לפרשנות שפה

דמיינו והבינו מודלים של NLP.

AI שניתן להסביר

פיתוח מודלים של למידת מכונה שניתן לפרש ולכלול אותם.

בדיקות פרטיות של TF

להעריך את מאפייני הפרטיות של דגמי סיווג.

TensorBoard

למדוד ולדמיין את זרימת העבודה של למידת מכונה.

שלב 5

לפרוס ולפקח

השתמש בכלים הבאים כדי לעקוב ולתקשר אודות הקשר מודל ופרטים.

ערכת כלים לדגם

צור קלפי דגמים בקלות בעזרת ערכת הכלים של כרטיס מודל.

מטא נתונים של ML

הקלט ואחזר מטא נתונים הקשורים לתהליכי עבודה של מפתחי ML ומדען נתונים.

כרטיסי דגם

ארגן את העובדות המהותיות של למידת מכונה בצורה מובנית.

משאבי קהילה

למד מה הקהילה עושה וחקור דרכים להשתלב.

מקורות המונים של Google

עזור למוצרי Google להיות יותר כוללניים ומייצגים את השפה, האזור והתרבות שלך.

אתגר DevPost אחראי על AI

ביקשנו מהמשתתפים להשתמש ב- TensorFlow 2.2 לבניית מודל או יישום תוך התחשבות בעקרונות AI אחראיים. בדוק את הגלריה כדי לראות את הזוכים ופרויקטים מדהימים אחרים.

AI אחראי עם TensorFlow (TF Dev Summit '20)

הצגת מסגרת למחשבה על ML, הוגנות ופרטיות.