เรียนรู้วิธีการรวมแนวทางปฏิบัติด้าน AI ที่รับผิดชอบเข้ากับเวิร์กโฟลว์ ML ของคุณโดยใช้ TensorFlow
TensorFlow มุ่งมั่นที่จะช่วยสร้างความก้าวหน้าในการพัฒนา AI อย่างมีความรับผิดชอบโดยการแบ่งปันชุดทรัพยากรและเครื่องมือกับชุมชน ML
Responsible AI คืออะไร?
การพัฒนา AI กำลังสร้างโอกาสใหม่ในการแก้ปัญหาที่ท้าทายในโลกแห่งความเป็นจริง นอกจากนี้ยังตั้งคำถามใหม่เกี่ยวกับวิธีที่ดีที่สุดในการสร้างระบบ AI ที่เป็นประโยชน์ต่อทุกคน
แนวทางปฏิบัติที่ดีที่สุดที่แนะนำสำหรับ AI
การออกแบบระบบ AI ควรปฏิบัติตามแนวทางปฏิบัติที่ดีที่สุดในการพัฒนาซอฟต์แวร์โดยยึดมนุษย์เป็นศูนย์กลาง
แนวทาง ML
ความเป็นธรรม
เมื่อผลกระทบของ AI เพิ่มขึ้นในทุกภาคส่วนและสังคมจึงมีความสำคัญอย่างยิ่งที่จะต้องทำงานไปสู่ระบบที่ยุติธรรมและครอบคลุมทุกคน
การตีความ
การทำความเข้าใจและไว้วางใจระบบ AI เป็นสิ่งสำคัญในการตรวจสอบว่าระบบทำงานได้ตามที่ตั้งใจไว้
ความเป็นส่วนตัว
แบบจำลองการฝึกอบรมจากข้อมูลที่ละเอียดอ่อนต้องการความเป็นส่วนตัวในการรักษาความปลอดภัย
ความปลอดภัย
การระบุภัยคุกคามที่อาจเกิดขึ้นสามารถช่วยให้ระบบ AI ปลอดภัย
AI ที่มีความรับผิดชอบในเวิร์กโฟลว์ ML ของคุณ
แนวทางปฏิบัติของ AI ที่มีความรับผิดชอบสามารถรวมเข้าด้วยกันในทุกขั้นตอนของเวิร์กโฟลว์ ML คำถามสำคัญที่ต้องพิจารณาในแต่ละขั้นตอนมีดังนี้
ระบบ ML ของฉันเหมาะกับใคร?
วิธีที่ผู้ใช้จริงสัมผัสกับระบบของคุณเป็นสิ่งสำคัญในการประเมินผลกระทบที่แท้จริงของการคาดการณ์คำแนะนำและการตัดสินใจ ตรวจสอบให้แน่ใจว่าได้รับข้อมูลจากกลุ่มผู้ใช้ที่หลากหลายตั้งแต่เนิ่นๆในกระบวนการพัฒนาของคุณ
ฉันใช้ชุดข้อมูลตัวแทนหรือไม่
ข้อมูลของคุณถูกสุ่มตัวอย่างในลักษณะที่แสดงถึงผู้ใช้ของคุณ (เช่นจะใช้สำหรับทุกวัย แต่คุณมีข้อมูลการฝึกอบรมจากผู้สูงอายุเท่านั้น) และการตั้งค่าในโลกแห่งความเป็นจริง (เช่นจะใช้ตลอดทั้งปี แต่คุณมีการฝึกอบรม ข้อมูลจากฤดูร้อน)?
มีอคติในโลกแห่งความเป็นจริง / มนุษย์ในข้อมูลของฉันหรือไม่?
อคติที่แฝงอยู่ในข้อมูลสามารถนำไปสู่ลูปข้อเสนอแนะที่ซับซ้อนซึ่งเสริมสร้างแบบแผนเดิมที่มีอยู่
ฉันควรใช้วิธีใดในการฝึกโมเดลของฉัน
ใช้วิธีการฝึกอบรมที่สร้างความเป็นธรรมความสามารถในการตีความความเป็นส่วนตัวและความปลอดภัยให้กับโมเดล
โมเดลของฉันทำงานเป็นอย่างไร?
ประเมินประสบการณ์ของผู้ใช้ในสถานการณ์จริงในกลุ่มผู้ใช้ที่หลากหลายกรณีการใช้งานและบริบทการใช้งาน ทดสอบและทำซ้ำในการลองใช้ก่อนตามด้วยการทดสอบต่อไปหลังจากเปิดตัว
มีลูปข้อเสนอแนะที่ซับซ้อนหรือไม่?
แม้ว่าทุกอย่างในการออกแบบระบบโดยรวมจะถูกสร้างขึ้นมาอย่างพิถีพิถัน แต่โมเดลที่ใช้ ML ก็แทบจะไม่สามารถทำงานได้อย่างสมบูรณ์แบบ 100% เมื่อนำไปใช้กับข้อมูลจริงที่มีอยู่จริง เมื่อปัญหาเกิดขึ้นในผลิตภัณฑ์ที่ใช้งานจริงให้พิจารณาว่าปัญหานั้นสอดคล้องกับข้อเสียทางสังคมที่มีอยู่หรือไม่และจะได้รับผลกระทบจากการแก้ปัญหาทั้งในระยะสั้นและระยะยาวอย่างไร
เครื่องมือ AI ที่รับผิดชอบสำหรับ TensorFlow
ระบบนิเวศของ TensorFlow มีชุดเครื่องมือและทรัพยากรเพื่อช่วยจัดการกับคำถามข้างต้น
กำหนดปัญหา
ใช้ทรัพยากรต่อไปนี้เพื่อออกแบบโมเดลโดยคำนึงถึง Responsible AI

เรียนรู้เพิ่มเติมเกี่ยวกับกระบวนการพัฒนา AI และข้อควรพิจารณาที่สำคัญ

สำรวจผ่านการแสดงภาพเชิงโต้ตอบคำถามสำคัญและแนวคิดในขอบเขตของ Responsible AI
สร้างและเตรียมข้อมูล
ใช้เครื่องมือต่อไปนี้เพื่อตรวจสอบข้อมูลสำหรับอคติที่อาจเกิดขึ้น

วิเคราะห์และแปลงข้อมูลเพื่อตรวจหาปัญหาและสร้างชุดคุณลักษณะที่มีประสิทธิภาพมากขึ้น

สร้างและฝึกโมเดล
ใช้เครื่องมือต่อไปนี้เพื่อฝึกโมเดลโดยใช้การรักษาความเป็นส่วนตัวเทคนิคที่ตีความได้และอื่น ๆ
ประเมินแบบจำลอง
ตรวจแก้จุดบกพร่องประเมินและแสดงภาพประสิทธิภาพของโมเดลโดยใช้เครื่องมือต่อไปนี้

ประเมินเมตริกความเป็นธรรมที่ระบุโดยทั่วไปสำหรับตัวจำแนกไบนารีและหลายคลาส





ประเมินคุณสมบัติความเป็นส่วนตัวของแบบจำลองการจำแนกประเภท

ปรับใช้และตรวจสอบ
ใช้เครื่องมือต่อไปนี้เพื่อติดตามและสื่อสารเกี่ยวกับบริบทและรายละเอียดของโมเดล

สร้างการ์ดโมเดลได้อย่างง่ายดายโดยใช้ชุดเครื่องมือการ์ดโมเดล

บันทึกและดึงข้อมูลเมตาที่เกี่ยวข้องกับเวิร์กโฟลว์ของนักพัฒนา ML และนักวิทยาศาสตร์ข้อมูล

เรียนรู้เพิ่มเติม
เรียนรู้ว่าชุมชนกำลังทำอะไรและสำรวจวิธีการมีส่วนร่วม

ช่วยให้ผลิตภัณฑ์ของ Google มีความครอบคลุมมากขึ้นและเป็นตัวแทนของภาษาภูมิภาคและวัฒนธรรมของคุณ

ใช้ TensorFlow 2.2 เพื่อสร้างโมเดลหรือแอปพลิเคชันโดยคำนึงถึงหลักการรับผิดชอบ AI

แนะนำกรอบคิดเรื่อง ML ความเป็นธรรมและความเป็นส่วนตัว