เรียนรู้วิธีผสานรวมแนวปฏิบัติ AI ที่มีความรับผิดชอบเข้ากับเวิร์กโฟลว์ ML ของคุณโดยใช้ TensorFlow

TensorFlow มุ่งมั่นที่จะช่วยให้ความก้าวหน้าในการพัฒนา AI อย่างมีความรับผิดชอบ โดยการแบ่งปันคอลเลกชันของทรัพยากรและเครื่องมือกับชุมชน ML

AI ที่รับผิดชอบคืออะไร?

การพัฒนา AI กำลังสร้างโอกาสใหม่ในการแก้ปัญหาที่ท้าทายในโลกแห่งความเป็นจริง นอกจากนี้ยังทำให้เกิดคำถามใหม่เกี่ยวกับวิธีที่ดีที่สุดในการสร้างระบบ AI ที่เป็นประโยชน์ต่อทุกคน

การออกแบบระบบ AI ควรเป็นไปตามแนวทางปฏิบัติที่ดีที่สุดสำหรับการพัฒนาซอฟต์แวร์ในขณะที่ใช้มนุษย์เป็นศูนย์กลาง
แนวทางสู่ML

ความเป็นธรรม

เนื่องจากผลกระทบของ AI เพิ่มขึ้นในทุกภาคส่วนและในสังคม การทำงานเพื่อให้ระบบมีความเป็นธรรมและครอบคลุมสำหรับทุกคนจึงเป็นสิ่งสำคัญ

การตีความ

การทำความเข้าใจและไว้วางใจระบบ AI เป็นสิ่งสำคัญเพื่อให้แน่ใจว่าระบบทำงานตามที่ตั้งใจไว้

ความเป็นส่วนตัว

โมเดลการฝึกอบรมเกี่ยวกับข้อมูลที่ละเอียดอ่อนต้องการการปกป้องความเป็นส่วนตัว

ความปลอดภัย

การระบุภัยคุกคามที่อาจเกิดขึ้นสามารถช่วยรักษาระบบ AI ให้ปลอดภัย

AI ที่มีความรับผิดชอบในเวิร์กโฟลว์ ML ของคุณ

แนวทางปฏิบัติด้าน AI ที่มีความรับผิดชอบสามารถนำไปใช้ในทุกขั้นตอนของเวิร์กโฟลว์ ML ต่อไปนี้เป็นคำถามสำคัญที่ควรพิจารณาในแต่ละขั้นตอน

ระบบ ML ของฉันเหมาะกับใคร

วิธีที่ผู้ใช้จริงได้สัมผัสระบบของคุณมีความสำคัญต่อการประเมินผลกระทบที่แท้จริงของการคาดคะเน คำแนะนำ และการตัดสินใจ อย่าลืมรับข้อมูลจากกลุ่มผู้ใช้ที่หลากหลายตั้งแต่เนิ่นๆ ในกระบวนการพัฒนาของคุณ

ฉันใช้ชุดข้อมูลตัวแทนหรือไม่

ข้อมูลของคุณถูกสุ่มตัวอย่างในลักษณะที่แสดงถึงผู้ใช้ของคุณ (เช่น จะใช้สำหรับทุกเพศทุกวัย แต่คุณมีข้อมูลการฝึกอบรมจากผู้สูงอายุเท่านั้น) และการตั้งค่าในโลกแห่งความเป็นจริง (เช่น จะใช้ตลอดทั้งปี แต่คุณมีการฝึกอบรมเท่านั้น ข้อมูลจากฤดูร้อน)?

มีอคติในโลกแห่งความเป็นจริง/มนุษย์ในข้อมูลของฉันหรือไม่

อคติพื้นฐานในข้อมูลสามารถนำไปสู่วงจรป้อนกลับที่ซับซ้อนซึ่งเสริมความแข็งแกร่งของแบบแผนที่มีอยู่

ฉันควรใช้วิธีใดในการฝึกโมเดลของฉัน

ใช้วิธีการฝึกอบรมที่สร้างความยุติธรรม การตีความได้ ความเป็นส่วนตัว และความปลอดภัยในแบบจำลอง

โมเดลของฉันทำงานอย่างไร?

ประเมินประสบการณ์ของผู้ใช้ในสถานการณ์จริงในวงกว้างของผู้ใช้ กรณีใช้งาน และบริบทการใช้งาน ทดสอบและทำซ้ำในการลองใช้ก่อน ตามด้วยการทดสอบต่อเนื่องหลังจากเปิดตัว

มีลูปป้อนกลับที่ซับซ้อนหรือไม่?

แม้ว่าทุกอย่างในการออกแบบระบบโดยรวมจะถูกสร้างขึ้นมาอย่างพิถีพิถัน แต่โมเดลที่ใช้ ML ก็ไม่ค่อยทำงานด้วยความสมบูรณ์แบบ 100% เมื่อนำไปใช้กับข้อมูลจริงแบบสด เมื่อปัญหาเกิดขึ้นในผลิตภัณฑ์จริง ให้พิจารณาว่าสอดคล้องกับข้อเสียของสังคมที่มีอยู่หรือไม่ และจะได้รับผลกระทบจากการแก้ปัญหาทั้งในระยะสั้นและระยะยาวอย่างไร

เครื่องมือ AI ที่มีความรับผิดชอบสำหรับ TensorFlow

ระบบนิเวศของ TensorFlow มีชุดเครื่องมือและทรัพยากรที่จะช่วยจัดการกับคำถามข้างต้น

ขั้นตอนที่ 1

กำหนดปัญหา

ใช้แหล่งข้อมูลต่อไปนี้เพื่อออกแบบโมเดลโดยคำนึงถึง Responsible AI

คู่มือการวิจัยผู้คน + AI (PAIR)

เรียนรู้เพิ่มเติมเกี่ยวกับกระบวนการพัฒนา AI และข้อควรพิจารณาที่สำคัญ

คู่สำรวจ

สำรวจผ่านการแสดงภาพแบบโต้ตอบ คำถามสำคัญ และแนวคิดในขอบเขตของ Responsible AI

ขั้นตอนที่ 2

สร้างและเตรียมข้อมูล

ใช้เครื่องมือต่อไปนี้เพื่อตรวจสอบข้อมูลเพื่อหาอคติที่อาจเกิดขึ้น

การตรวจสอบข้อมูล TF

วิเคราะห์และแปลงข้อมูลเพื่อตรวจหาปัญหาและออกแบบชุดคุณลักษณะที่มีประสิทธิภาพมากขึ้น

การ์ดข้อมูล

สร้างรายงานความโปร่งใสสำหรับชุดข้อมูลของคุณ

ขั้นตอนที่ 3

สร้างและฝึกฝนโมเดล

ใช้เครื่องมือต่อไปนี้เพื่อฝึกโมเดลโดยใช้การรักษาความเป็นส่วนตัว เทคนิคที่ตีความได้ และอื่นๆ

การแก้ไขแบบจำลอง TF

ฝึกโมเดลแมชชีนเลิร์นนิงเพื่อส่งเสริมผลลัพธ์ที่เท่าเทียมกันมากขึ้น

TF Privacy

ฝึกโมเดลการเรียนรู้ของเครื่องด้วยความเป็นส่วนตัว

TF สหพันธรัฐ

ฝึกโมเดลแมชชีนเลิร์นนิงโดยใช้เทคนิคการเรียนรู้แบบสหพันธรัฐ

การเพิ่มประสิทธิภาพข้อ จำกัด TF

เพิ่มประสิทธิภาพปัญหาที่จำกัดความไม่เท่าเทียมกัน

TF Lattice

ใช้โมเดลที่มีโครงตาข่ายที่ยืดหยุ่น ควบคุม และตีความได้

ขั้นตอนที่ 4

ประเมินแบบจำลอง

ดีบัก ประเมิน และแสดงภาพประสิทธิภาพของโมเดลโดยใช้เครื่องมือต่อไปนี้

ตัวชี้วัดความเป็นธรรม

ประเมินตัววัดความเป็นธรรมที่ระบุโดยทั่วไปสำหรับตัวแยกประเภทไบนารีและหลายคลาส

การวิเคราะห์แบบจำลอง TF

ประเมินแบบจำลองในลักษณะแบบกระจายและคำนวณผ่านส่วนต่างๆ ของข้อมูล

What-If Tool

ตรวจสอบ ประเมิน และเปรียบเทียบโมเดลการเรียนรู้ของเครื่อง

เครื่องมือตีความภาษา

เห็นภาพและทำความเข้าใจโมเดล NLP

AI อธิบายได้

พัฒนาโมเดลแมชชีนเลิร์นนิงที่ตีความได้และครอบคลุม

การทดสอบความเป็นส่วนตัวของ TF

ประเมินคุณสมบัติความเป็นส่วนตัวของแบบจำลองการจัดประเภท

เทนเซอร์บอร์ด

วัดผลและเห็นภาพเวิร์กโฟลว์แมชชีนเลิร์นนิง

ขั้นตอนที่ 5

ปรับใช้และตรวจสอบ

ใช้เครื่องมือต่อไปนี้เพื่อติดตามและสื่อสารเกี่ยวกับบริบทและรายละเอียดของแบบจำลอง

ชุดเครื่องมือการ์ดรุ่น

สร้างการ์ดโมเดลอย่างง่ายดายโดยใช้ชุดเครื่องมือ Model Card

ML Metadata

บันทึกและเรียกข้อมูลเมตาที่เกี่ยวข้องกับเวิร์กโฟลว์ของนักพัฒนา ML และนักวิทยาศาสตร์ข้อมูล

การ์ดโมเดล

จัดระเบียบข้อเท็จจริงที่สำคัญของแมชชีนเลิร์นนิงอย่างมีโครงสร้าง

ทรัพยากรชุมชน

เรียนรู้ว่าชุมชนกำลังทำอะไรและสำรวจวิธีการมีส่วนร่วม

Crowdsource โดย Google

ช่วยให้ผลิตภัณฑ์ของ Google ครอบคลุมมากขึ้นและเป็นตัวแทนของภาษา ภูมิภาค และวัฒนธรรมของคุณ

ความท้าทาย AI DevPost ที่มีความรับผิดชอบ

เราขอให้ผู้เข้าร่วมใช้ TensorFlow 2.2 เพื่อสร้างแบบจำลองหรือแอปพลิเคชันโดยคำนึงถึงหลักการ AI ที่มีความรับผิดชอบ ตรวจสอบแกลเลอรีเพื่อดูผู้ชนะและโครงการที่น่าทึ่งอื่น ๆ

AI ที่มีความรับผิดชอบด้วย TensorFlow (TF Dev Summit '20)

แนะนำกรอบความคิดเกี่ยวกับ ML ความเป็นธรรม และความเป็นส่วนตัว