تعرف على كيفية دمج ممارسات الذكاء الاصطناعي المسؤولة في سير عمل التعلم الآلي الخاص بك باستخدام TensorFlow
تلتزم TensorFlow بالمساعدة في إحراز تقدم في التطوير المسؤول للذكاء الاصطناعي من خلال مشاركة مجموعة من الموارد والأدوات مع مجتمع ML.
ما هو الذكاء الاصطناعي المسؤول؟
يخلق تطوير الذكاء الاصطناعي فرصًا جديدة لحل مشاكل العالم الواقعي الصعبة. كما أنها تثير أسئلة جديدة حول أفضل طريقة لبناء أنظمة ذكاء اصطناعي تعود بالنفع على الجميع.
أفضل الممارسات الموصى بها للذكاء الاصطناعي
يجب أن يتبع تصميم أنظمة الذكاء الاصطناعي أفضل ممارسات تطوير البرمجيات مع الأخذ بعين الاعتبار الإنسان
نهج ML
الإنصاف
مع زيادة تأثير الذكاء الاصطناعي عبر القطاعات والمجتمعات ، من الأهمية بمكان العمل نحو أنظمة عادلة وشاملة للجميع
التفسير
يعد فهم أنظمة الذكاء الاصطناعي والثقة بها أمرًا مهمًا لضمان عملها على النحو المنشود
خصوصية
تحتاج نماذج التدريب من البيانات الحساسة إلى ضمانات تحافظ على الخصوصية
حماية
يمكن أن يساعد تحديد التهديدات المحتملة في الحفاظ على أنظمة الذكاء الاصطناعي آمنة ومأمونة
الذكاء الاصطناعي المسؤول في سير عمل ML الخاص بك
يمكن دمج ممارسات الذكاء الاصطناعي المسؤولة في كل خطوة من خطوات سير عمل تعلم الآلة. فيما يلي بعض الأسئلة الرئيسية التي يجب مراعاتها في كل مرحلة.
لمن هو نظام ML الخاص بي؟
تعد الطريقة التي يختبر بها المستخدمون الفعليون نظامك أمرًا ضروريًا لتقييم التأثير الحقيقي لتوقعاته وتوصياته وقراراته. تأكد من الحصول على مدخلات من مجموعة متنوعة من المستخدمين في وقت مبكر من عملية التطوير الخاصة بك.
هل أستخدم مجموعة بيانات تمثيلية؟
هل يتم أخذ عينات بياناتك بطريقة تمثل المستخدمين لديك (على سبيل المثال ، سيتم استخدامها لجميع الأعمار ، ولكن لديك فقط بيانات تدريب من كبار السن) والإعدادات الواقعية (على سبيل المثال ، سيتم استخدامها على مدار العام ، ولكن لديك تدريب فقط بيانات من الصيف)؟
هل هناك تحيز في العالم الحقيقي / الإنسان في بياناتي؟
يمكن أن تساهم التحيزات الكامنة في البيانات في حلقات التغذية الراجعة المعقدة التي تعزز القوالب النمطية الموجودة.
ما هي الأساليب التي يجب أن أستخدمها لتدريب نموذجي؟
استخدم أساليب التدريب التي تبني الإنصاف وقابلية التفسير والخصوصية والأمان في النموذج.
كيف هو أداء نموذجي؟
قم بتقييم تجربة المستخدم في سيناريوهات العالم الحقيقي عبر مجموعة واسعة من المستخدمين وحالات الاستخدام وسياقات الاستخدام. قم بالاختبار والتكرار في التطبيق التجريبي أولاً ، متبوعًا بالاختبار المستمر بعد الإطلاق.
هل هناك حلقات تغذية مرتدة معقدة؟
حتى لو تم تصميم كل شيء في تصميم النظام بشكل عام بعناية ، نادرًا ما تعمل النماذج القائمة على ML مع الكمال بنسبة 100٪ عند تطبيقها على البيانات الحية الحقيقية. عند حدوث مشكلة في منتج مباشر ، ضع في اعتبارك ما إذا كانت تتماشى مع أي عيوب مجتمعية موجودة ، وكيف ستتأثر بالحلول قصيرة وطويلة الأجل.
أدوات الذكاء الاصطناعي المسؤولة لـ TensorFlow
يحتوي نظام TensorFlow البيئي على مجموعة من الأدوات والموارد للمساعدة في معالجة بعض الأسئلة أعلاه.
تحديد المشكلة
استخدم الموارد التالية لتصميم النماذج مع وضع الذكاء الاصطناعي في الاعتبار.
تعرف على المزيد حول عملية تطوير الذكاء الاصطناعي والاعتبارات الرئيسية.
استكشف ، من خلال تصورات تفاعلية ، الأسئلة والمفاهيم الرئيسية في مجال الذكاء الاصطناعي المسؤول.
بناء وإعداد البيانات
استخدم الأدوات التالية لفحص البيانات الخاصة بالتحيزات المحتملة.
تحقق بشكل تفاعلي من مجموعة البيانات الخاصة بك لتحسين جودة البيانات والتخفيف من مشكلات الإنصاف والتحيز.
تحليل البيانات وتحويلها لاكتشاف المشكلات وهندسة مجموعات ميزات أكثر فاعلية.
مقياس لون بشرة أكثر شمولاً ، مفتوح ومرخص ، لجعل جمع البيانات وبناء النماذج أكثر قوة وشمولية.
بناء وتدريب النموذج
استخدم الأدوات التالية لتدريب النماذج على استخدام تقنيات الحفاظ على الخصوصية وقابلة للتفسير وغير ذلك.
تقييم النموذج
تصحيح وتقييم وتصور أداء النموذج باستخدام الأدوات التالية.
انشر وراقب
استخدم الأدوات التالية لتتبع سياق النموذج وتفاصيله والتواصل معه.
موارد المجتمع
تعرف على ما يفعله المجتمع واستكشف طرقًا للمشاركة.
ساعد منتجات Google في أن تصبح أكثر شمولاً وتمثل لغتك ومنطقتك وثقافتك.
لقد طلبنا من المشاركين استخدام TensorFlow 2.2 لبناء نموذج أو تطبيق مع مراعاة مبادئ الذكاء الاصطناعي المسؤول. تحقق من المعرض لمعرفة الفائزين والمشاريع المذهلة الأخرى.
تقديم إطار عمل للتفكير في غسل الأموال والإنصاف والخصوصية.