Tìm hiểu cách tích hợp các thực hành AI có trách nhiệm vào quy trình ML của bạn bằng TensorFlow

Hệ thống ML của tôi dành cho ai?

Cách người dùng thực tế trải nghiệm hệ thống của bạn là điều cần thiết để đánh giá tác động thực sự của các dự đoán, đề xuất và quyết định của hệ thống. Đảm bảo sớm nhận được thông tin đầu vào từ một nhóm người dùng đa dạng trong quá trình phát triển của bạn.

Tôi có đang sử dụng tập dữ liệu đại diện không?

Dữ liệu của bạn có được lấy mẫu theo cách đại diện cho người dùng của bạn không (ví dụ: sẽ được sử dụng cho mọi lứa tuổi nhưng bạn chỉ có dữ liệu đào tạo từ người cao tuổi) và cài đặt trong thế giới thực (ví dụ: sẽ được sử dụng quanh năm nhưng bạn chỉ có đào tạo) dữ liệu từ mùa hè)?

Dữ liệu của tôi có thiên kiến ​​về thế giới thực/con người không?

Những thành kiến ​​cơ bản trong dữ liệu có thể góp phần tạo nên các vòng phản hồi phức tạp giúp củng cố các khuôn mẫu hiện có.

Tôi nên sử dụng những phương pháp nào để đào tạo mô hình của mình?

Sử dụng các phương pháp đào tạo xây dựng tính công bằng, khả năng diễn giải, quyền riêng tư và bảo mật cho mô hình.

Mô hình của tôi hoạt động như thế nào?

Đánh giá trải nghiệm người dùng trong các tình huống trong thế giới thực trên nhiều người dùng, trường hợp sử dụng và bối cảnh sử dụng. Thử nghiệm và lặp lại trong dogfood trước, sau đó tiếp tục thử nghiệm sau khi ra mắt.

Có các vòng phản hồi phức tạp không?

Ngay cả khi mọi thứ trong thiết kế hệ thống tổng thể được chế tạo cẩn thận, các mô hình dựa trên ML hiếm khi hoạt động với độ hoàn hảo 100% khi áp dụng cho dữ liệu thực, trực tiếp. Khi một vấn đề xảy ra trong một sản phẩm đang hoạt động, hãy xem xét liệu vấn đề đó có phù hợp với bất kỳ nhược điểm xã hội hiện có nào hay không và vấn đề đó sẽ bị ảnh hưởng như thế nào bởi cả các giải pháp ngắn hạn và dài hạn.