TensorFlow kullanarak Sorumlu Yapay Zeka uygulamalarını makine öğrenimi iş akışınıza nasıl entegre edeceğinizi öğrenin
TensorFlow, ML topluluğuyla bir dizi kaynak ve araç paylaşarak yapay zekanın sorumlu bir şekilde geliştirilmesinde ilerleme sağlanmasına yardımcı olmaya kendini adamıştır.
Sorumlu AI nedir?
Yapay zekanın gelişimi, zorlu, gerçek dünyadaki sorunları çözmek için yeni fırsatlar yaratıyor. Aynı zamanda, herkese fayda sağlayan yapay zeka sistemleri oluşturmanın en iyi yolu hakkında yeni sorular da gündeme getiriyor.
AI için önerilen en iyi uygulamalar
Yapay zeka sistemleri tasarlamak, insan merkezli bir yaklaşımla yazılım geliştirmenin en iyi uygulamalarını takip etmelidir.
ML'ye yaklaşım
adalet
AI'nın etkisi sektörler ve toplumlar arasında arttıkça, herkes için adil ve kapsayıcı sistemlere doğru çalışmak kritik önem taşıyor.
yorumlanabilirlik
Yapay zeka sistemlerini anlamak ve güvenmek, amaçlandığı gibi çalıştıklarından emin olmak için önemlidir
Mahremiyet
Hassas verilerden eğitim modelleri, gizliliği koruyan önlemlere ihtiyaç duyar
Güvenlik
Potansiyel tehditlerin belirlenmesi, yapay zeka sistemlerinin güvenli ve emniyetli tutulmasına yardımcı olabilir
Makine öğrenimi iş akışınızda sorumlu yapay zeka
Sorumlu yapay zeka uygulamaları, makine öğrenimi iş akışının her adımına dahil edilebilir. İşte her aşamada dikkate alınması gereken bazı önemli sorular.
ML sistemim kimler içindir?
Gerçek kullanıcıların sisteminizi deneyimleme şekli, tahminlerinin, önerilerinin ve kararlarının gerçek etkisini değerlendirmek için çok önemlidir. Geliştirme sürecinizin başlarında çok çeşitli kullanıcılardan girdi aldığınızdan emin olun.
Temsili bir veri seti mi kullanıyorum?
Verileriniz, kullanıcılarınızı (örneğin her yaş için kullanılacak, ancak yalnızca yaşlı vatandaşlardan eğitim verileriniz var) ve gerçek dünya ortamını (örneğin yıl boyunca kullanılacak, ancak yalnızca eğitiminiz olacak) temsil edecek şekilde mi örneklendi? yaz verileri)?
Verilerimde gerçek dünya/insan yanlılığı var mı?
Verilerdeki temel önyargılar, mevcut stereotipleri güçlendiren karmaşık geri bildirim döngülerine katkıda bulunabilir.
Modelimi eğitmek için hangi yöntemleri kullanmalıyım?
Modelde adalet, yorumlanabilirlik, gizlilik ve güvenlik oluşturan eğitim yöntemlerini kullanın.
Modelim nasıl performans gösteriyor?
Geniş bir kullanıcı yelpazesinde, kullanım senaryolarında ve kullanım bağlamlarında gerçek dünya senaryolarında kullanıcı deneyimini değerlendirin. Önce test sürümünde test edin ve yineleyin, ardından piyasaya sürüldükten sonra test etmeye devam edin.
Karmaşık geri bildirim döngüleri var mı?
Genel sistem tasarımındaki her şey özenle hazırlanmış olsa bile, ML tabanlı modeller, gerçek, canlı verilere uygulandığında nadiren %100 mükemmellik ile çalışır. Canlı bir üründe bir sorun oluştuğunda, bunun mevcut herhangi bir toplumsal dezavantajla uyumlu olup olmadığını ve hem kısa hem de uzun vadeli çözümlerden nasıl etkileneceğini düşünün.
TensorFlow için sorumlu AI araçları
TensorFlow ekosistemi, yukarıdaki soruların bazılarının üstesinden gelmeye yardımcı olacak bir dizi araç ve kaynağa sahiptir.
sorunu tanımla
Sorumlu yapay zekayı göz önünde bulundurarak modeller tasarlamak için aşağıdaki kaynakları kullanın.
Yapay zeka geliştirme süreci ve önemli hususlar hakkında daha fazla bilgi edinin.
Sorumlu yapay zeka alanındaki etkileşimli görselleştirmeler, temel sorular ve kavramlar aracılığıyla keşfedin.
Veri oluşturma ve hazırlama
Potansiyel önyargılar için verileri incelemek için aşağıdaki araçları kullanın.
Veri kalitesini iyileştirmek ve adalet ve önyargı sorunlarını azaltmak için veri kümenizi etkileşimli olarak araştırın.
Sorunları tespit etmek ve daha etkili özellik kümeleri oluşturmak için verileri analiz edin ve dönüştürün.
Modeli inşa et ve eğit
Gizliliği koruyan, yorumlanabilir teknikler ve daha fazlasını kullanarak modelleri eğitmek için aşağıdaki araçları kullanın.
Daha adil sonuçları teşvik etmek için makine öğrenimi modellerini eğitin.
Birleşik öğrenme tekniklerini kullanarak makine öğrenimi modellerini eğitin.
Modeli değerlendir
Aşağıdaki araçları kullanarak model performansının hatalarını ayıklayın, değerlendirin ve görselleştirin.
İkili ve çok sınıflı sınıflandırıcılar için yaygın olarak tanımlanan adalet ölçümlerini değerlendirin.
Modelleri dağıtılmış bir şekilde değerlendirin ve farklı veri dilimleri üzerinde hesaplayın.
Makine öğrenimi modellerini inceleyin, değerlendirin ve karşılaştırın.
Yorumlanabilir ve kapsayıcı makine öğrenimi modelleri geliştirin.
Sınıflandırma modellerinin gizlilik özelliklerini değerlendirin.
Dağıtın ve izleyin
Model bağlamı ve ayrıntıları hakkında izlemek ve iletişim kurmak için aşağıdaki araçları kullanın.
Model Kartı araç setini kullanarak kolaylıkla model kartları oluşturun.
Makine öğrenimi geliştiricisi ve veri bilimcisi iş akışlarıyla ilişkili meta verileri kaydedin ve alın.
Makine öğreniminin temel gerçeklerini yapılandırılmış bir şekilde düzenleyin.
Topluluk kaynakları
Topluluğun ne yaptığını öğrenin ve dahil olmanın yollarını keşfedin.
Google ürünlerinin daha kapsayıcı ve dilinizi, bölgenizi ve kültürünüzü temsil etmesine yardımcı olun.
Katılımcılardan Sorumlu Yapay Zeka ilkelerini göz önünde bulundurarak bir model veya uygulama oluşturmak için TensorFlow 2.2'yi kullanmalarını istedik. Kazananları ve diğer harika projeleri görmek için galeriye göz atın.
Makine öğrenimi, adalet ve mahremiyet hakkında düşünmek için bir çerçeve sunmak.