เรียนรู้วิธีรวมแนวทางปฏิบัติ AI ที่มีความรับผิดชอบเข้ากับเวิร์กโฟลว์ ML ของคุณโดยใช้ TensorFlow
TensorFlow มุ่งมั่นที่จะช่วยสร้างความก้าวหน้าในการพัฒนา AI อย่างรับผิดชอบด้วยการแบ่งปันชุดทรัพยากรและเครื่องมือกับชุมชน ML
AI ที่มีความรับผิดชอบคืออะไร?
การพัฒนา AI กำลังสร้างโอกาสใหม่ในการแก้ปัญหาที่ท้าทายในโลกแห่งความเป็นจริง นอกจากนี้ยังทำให้เกิดคำถามใหม่เกี่ยวกับวิธีที่ดีที่สุดในการสร้างระบบ AI ที่เป็นประโยชน์ต่อทุกคน
แนวทางปฏิบัติที่ดีที่สุดที่แนะนำสำหรับ AI
การออกแบบระบบ AI ควรเป็นไปตามแนวทางปฏิบัติที่ดีที่สุดในการพัฒนาซอฟต์แวร์โดยยึดมนุษย์เป็นศูนย์กลาง
เข้าใกล้ ม.ล
ความเป็นธรรม
เมื่อผลกระทบของ AI เพิ่มขึ้นในภาคส่วนและสังคม จึงจำเป็นอย่างยิ่งที่จะต้องทำงานเพื่อมุ่งสู่ระบบที่ยุติธรรมและครอบคลุมสำหรับทุกคน
การตีความ
การทำความเข้าใจและไว้วางใจระบบ AI เป็นสิ่งสำคัญเพื่อให้แน่ใจว่าระบบทำงานตามที่ตั้งใจไว้
ความเป็นส่วนตัว
โมเดลการฝึกอบรมสำหรับข้อมูลที่ละเอียดอ่อนจำเป็นต้องมีการป้องกันการรักษาความเป็นส่วนตัว
ความปลอดภัย
การระบุภัยคุกคามที่อาจเกิดขึ้นสามารถช่วยรักษาระบบ AI ให้ปลอดภัยได้
AI ที่มีความรับผิดชอบในเวิร์กโฟลว์ ML ของคุณ
แนวทางปฏิบัติด้าน AI ที่มีความรับผิดชอบสามารถรวมอยู่ในทุกขั้นตอนของเวิร์กโฟลว์ ML ต่อไปนี้เป็นคำถามสำคัญที่ต้องพิจารณาในแต่ละขั้นตอน
ระบบ ML ของฉันเหมาะกับใคร
วิธีที่ผู้ใช้จริงสัมผัสกับระบบของคุณมีความสำคัญต่อการประเมินผลกระทบที่แท้จริงของการคาดการณ์ คำแนะนำ และการตัดสินใจ ตรวจสอบให้แน่ใจว่าได้รับข้อมูลจากกลุ่มผู้ใช้ที่หลากหลายตั้งแต่เนิ่นๆ ในกระบวนการพัฒนาของคุณ
ฉันกำลังใช้ชุดข้อมูลตัวแทนหรือไม่
มีการสุ่มตัวอย่างข้อมูลในลักษณะที่แสดงถึงผู้ใช้ของคุณ (เช่น จะใช้สำหรับทุกวัย แต่คุณมีข้อมูลการฝึกอบรมจากผู้สูงอายุเท่านั้น) และการตั้งค่าในโลกแห่งความเป็นจริง (เช่น จะใช้ตลอดทั้งปี แต่คุณมีเพียงการฝึกอบรมเท่านั้น ข้อมูลจากฤดูร้อน)?
ข้อมูลของฉันมีอคติในโลกแห่งความเป็นจริง/มนุษย์หรือไม่
ความเอนเอียงแฝงในข้อมูลสามารถนำไปสู่ลูปป้อนกลับที่ซับซ้อนซึ่งช่วยเสริมภาพลักษณ์ที่มีอยู่
ฉันควรใช้วิธีใดในการฝึกโมเดลของฉัน
ใช้วิธีการฝึกอบรมที่สร้างความเป็นธรรม การตีความ ความเป็นส่วนตัว และความปลอดภัยในโมเดล
โมเดลของฉันมีประสิทธิภาพเป็นอย่างไร
ประเมินประสบการณ์ของผู้ใช้ในสถานการณ์จริงจากผู้ใช้ กรณีการใช้งาน และบริบทการใช้งานที่หลากหลาย ทดสอบและทำซ้ำในลองใช้ก่อน ตามด้วยการทดสอบต่อไปหลังจากเปิดตัว
มีวงจรป้อนกลับที่ซับซ้อนหรือไม่?
แม้ว่าทุกอย่างในการออกแบบระบบโดยรวมจะถูกสร้างขึ้นมาอย่างพิถีพิถัน แต่โมเดลที่ใช้ ML มักจะทำงานได้ไม่สมบูรณ์แบบ 100% เมื่อนำไปใช้กับข้อมูลสดจริง เมื่อเกิดปัญหาขึ้นในผลิตภัณฑ์ที่ใช้งานอยู่ ให้พิจารณาว่าปัญหานั้นสอดคล้องกับข้อเสียทางสังคมที่มีอยู่หรือไม่ และจะได้รับผลกระทบจากการแก้ปัญหาทั้งในระยะสั้นและระยะยาวอย่างไร
เครื่องมือ AI ที่มีความรับผิดชอบสำหรับ TensorFlow
ระบบนิเวศ TensorFlow มีชุดเครื่องมือและทรัพยากรเพื่อช่วยจัดการกับคำถามบางข้อด้านบน
กำหนดปัญหา
ใช้แหล่งข้อมูลต่อไปนี้เพื่อออกแบบโมเดลโดยคำนึงถึง AI ที่มีความรับผิดชอบ
เรียนรู้เพิ่มเติมเกี่ยวกับกระบวนการพัฒนา AI และข้อควรพิจารณาที่สำคัญ
สำรวจผ่านการสร้างภาพข้อมูลเชิงโต้ตอบ คำถามสำคัญและแนวคิดในขอบเขตของ AI ที่มีความรับผิดชอบ
สร้างและเตรียมข้อมูล
ใช้เครื่องมือต่อไปนี้เพื่อตรวจสอบข้อมูลเพื่อหาอคติที่อาจเกิดขึ้น
ตรวจสอบชุดข้อมูลของคุณแบบโต้ตอบเพื่อปรับปรุงคุณภาพข้อมูลและลดปัญหาด้านความเป็นธรรมและความลำเอียง
วิเคราะห์และแปลงข้อมูลเพื่อตรวจหาปัญหาและสร้างชุดคุณลักษณะที่มีประสิทธิภาพมากขึ้น
สเกลโทนสีผิวที่ครอบคลุมมากขึ้น ลิขสิทธิ์แบบเปิด เพื่อให้การรวบรวมข้อมูลและการสร้างแบบจำลองของคุณต้องการความแข็งแกร่งและครอบคลุมยิ่งขึ้น
สร้างและฝึกโมเดล
ใช้เครื่องมือต่อไปนี้เพื่อฝึกโมเดลโดยใช้การรักษาความเป็นส่วนตัว เทคนิคการตีความ และอื่นๆ
ฝึกฝนโมเดลแมชชีนเลิร์นนิงเพื่อส่งเสริมผลลัพธ์ที่เท่าเทียมกันมากขึ้น
เพิ่มประสิทธิภาพปัญหาที่จำกัดความเหลื่อมล้ำ
ประเมินแบบจำลอง
ดีบัก ประเมิน และแสดงภาพประสิทธิภาพของโมเดลโดยใช้เครื่องมือต่อไปนี้
ประเมินเมตริกความเป็นธรรมที่ระบุโดยทั่วไปสำหรับตัวแยกประเภทแบบไบนารีและหลายคลาส
ปรับใช้และตรวจสอบ
ใช้เครื่องมือต่อไปนี้เพื่อติดตามและสื่อสารเกี่ยวกับบริบทและรายละเอียดของแบบจำลอง
สร้างการ์ดโมเดลได้อย่างง่ายดายโดยใช้ชุดเครื่องมือการ์ดโมเดล
บันทึกและดึงข้อมูลเมตาที่เกี่ยวข้องกับนักพัฒนา ML และเวิร์กโฟลว์นักวิทยาศาสตร์ข้อมูล
ทรัพยากรชุมชน
เรียนรู้ว่าชุมชนกำลังทำอะไรและสำรวจวิธีการมีส่วนร่วม
ช่วยให้ผลิตภัณฑ์ของ Google มีความครอบคลุมมากขึ้นและเป็นตัวแทนของภาษา ภูมิภาค และวัฒนธรรมของคุณ
เราขอให้ผู้เข้าร่วมใช้ TensorFlow 2.2 เพื่อสร้างแบบจำลองหรือแอปพลิเคชันโดยคำนึงถึงหลักการ AI ที่มีความรับผิดชอบ ตรวจสอบแกลเลอรีเพื่อดูผู้ชนะและโครงการที่น่าทึ่งอื่น ๆ
แนะนำกรอบความคิดเกี่ยวกับ ML ความเป็นธรรม และความเป็นส่วนตัว