TensorFlow'u 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 kaydetmeye yardımcı olmaya kendini adamıştır.
Sorumlu Yapay Zeka nedir?
AI'nın gelişimi, zorlu, gerçek dünya sorunlarını çözmek için yeni fırsatlar yaratıyor. Ayrıca, herkesin yararına olacak 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 yaklaşım alırken yazılım geliştirme en iyi uygulamalarını takip etmelidir.
ML'ye yaklaşım
Adalet
AI'nın etkisi sektörler ve toplumlar arasında arttıkça, herkes için adil ve kapsayıcı sistemler için çalışmak çok önemlidir.
Yorumlanabilirlik
Yapay zeka sistemlerini anlamak ve bunlara güvenmek, amaçlandığı gibi çalıştıklarından emin olmak için önemlidir
Gizlilik
Modelleri hassas verilerden eğitmek, gizliliği koruyan güvenlik önlemleri gerektirir
Güvenlik
Potansiyel tehditleri belirlemek, 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.
Makine öğrenimi sistemim kimler içindir?
Gerçek kullanıcıların sisteminizi deneyimleme şekli, tahminlerinin, tavsiyelerinin ve kararlarının gerçek etkisini değerlendirmek için çok önemlidir. Geliştirme sürecinizin başlarında farklı bir kullanıcı grubundan girdi aldığınızdan emin olun.
Temsili bir veri kümesi mi kullanıyorum?
Verileriniz, kullanıcılarınızı temsil edecek şekilde örneklenmiş mi (ör. Tüm yaş grupları için kullanılacak, ancak yalnızca yaşlı vatandaşlardan eğitim verileriniz var) ve gerçek dünya ortamı (ör. Yıl boyunca kullanılacak, ancak yalnızca eğitiminiz var yaz verileri)?
Verilerimde gerçek dünya / insan önyargısı var mı?
Verilerdeki temeldeki önyargılar, mevcut klişeleri güçlendiren karmaşık geri bildirim döngülerine katkıda bulunabilir.
Modelimi eğitmek için hangi yöntemleri kullanmalıyım?
Modele adalet, yorumlanabilirlik, gizlilik ve güvenlik katan eğitim yöntemlerini kullanın.
Modelim nasıl performans gösteriyor?
Kullanıcı deneyimini geniş bir kullanıcı yelpazesi, kullanım örnekleri ve kullanım bağlamlarında gerçek dünya senaryolarında değerlendirin. Önce test sürümünde test edin ve yineleyin, ardından lansmandan sonra devam eden test.
Karmaşık geri bildirim döngüleri var mı?
Genel sistem tasarımındaki her şey özenle hazırlanmış olsa bile, makine öğrenimi tabanlı modeller gerçek, canlı verilere uygulandığında nadiren% 100 mükemmellikle çalışır. Canlı bir üründe bir sorun ortaya çıktığında, mevcut toplumsal dezavantajlarla uyumlu olup olmadığını ve hem kısa hem de uzun vadeli çözümlerden nasıl etkileneceğini düşünün.
TensorFlow için sorumlu yapay zeka araçları
TensorFlow ekosistemi, yukarıdaki bazı soruların üstesinden gelmeye yardımcı olacak bir dizi araç ve kaynağa sahiptir.
Problemi tanımla
Sorumlu Yapay Zeka ile modelleri tasarlamak için aşağıdaki kaynakları kullanın.
AI geliştirme süreci ve önemli hususlar hakkında daha fazla bilgi edinin.
Sorumlu Yapay Zeka alanında etkileşimli görselleştirmeler, temel soruları ve kavramları keşfedin.
Verileri oluşturun ve hazırlayın
Verileri olası önyargılara karşı incelemek için aşağıdaki araçları kullanın.
Sorunları tespit etmek ve daha etkili özellik kümeleri tasarlamak için verileri analiz edin ve dönüştürün.
Modeli oluşturun ve eğitin
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 değerlendirin
Aşağıdaki araçları kullanarak model performansının hatalarını ayıklayın, değerlendirin ve görselleştirin.
İkili ve çok sınıflı sınıflandırıcılar için yaygın olarak tanımlanan adalet ölçütlerini 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 bağlamını ve ayrıntılarını takip etmek ve bunlarla ilgili iletişim kurmak için aşağıdaki araçları kullanın.
Model Kartı araç setini kullanarak model kartlarını kolaylıkla 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'ın ürünlerinin daha kapsayıcı ve dilinizi, bölgenizi ve kültürünüzü daha iyi temsil etmesine yardımcı olun.
Katılımcılardan Sorumlu AI 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 gizlilik hakkında düşünmek için bir çerçeve sunuyoruz.