Google 致力于为黑人社区推动种族平等。查看具体举措
इस पेज का अनुवाद Cloud Translation API से किया गया है.
Switch to English

TensorFlow का उपयोग करके अपने ML वर्कफ़्लो में जिम्मेदार AI प्रथाओं को एकीकृत करना सीखें

TensorFlow ML समुदाय के साथ संसाधनों और उपकरणों का एक संग्रह साझा करके AI के जिम्मेदार विकास में प्रगति करने में मदद करने के लिए प्रतिबद्ध है।

जिम्मेदार एआई क्या है?

AI का विकास चुनौतीपूर्ण, वास्तविक दुनिया की समस्याओं को हल करने के लिए नए अवसर पैदा कर रहा है। यह एआई सिस्टम बनाने के सबसे अच्छे तरीके के बारे में भी नए सवाल उठा रहा है जो सभी को फायदा पहुंचाते हैं।

एआई सिस्टमों को डिज़ाइन करना मानव-केंद्रित लेते समय सॉफ्टवेयर विकास सर्वोत्तम प्रथाओं का पालन करना चाहिए
एमएल के लिए दृष्टिकोण

फेयरनेस

जैसा कि एआई का प्रभाव क्षेत्रों और समाजों में बढ़ता है, यह उन प्रणालियों की दिशा में काम करना महत्वपूर्ण है जो सभी के लिए उचित और समावेशी हैं

विवेचनीयता

एआई सिस्टम को समझना और भरोसा करना यह सुनिश्चित करने के लिए महत्वपूर्ण है कि वे इरादा के अनुसार काम कर रहे हैं

एकांत

संवेदनशील डेटा के प्रशिक्षण मॉडल को सुरक्षा उपायों की गोपनीयता की आवश्यकता होती है

सुरक्षा

संभावित खतरों की पहचान करने से AI सिस्टम को सुरक्षित और सुरक्षित रखने में मदद मिल सकती है

अपने एमएल वर्कफ़्लो में जिम्मेदार एआई

जिम्मेदार एआई प्रथाओं को एमएल वर्कफ़्लो के हर चरण में शामिल किया जा सकता है। यहां प्रत्येक चरण पर विचार करने के लिए कुछ महत्वपूर्ण प्रश्न दिए गए हैं।

मेरी एमएल प्रणाली किसके लिए है?

वास्तविक उपयोगकर्ता जिस तरह से आपके सिस्टम का अनुभव करते हैं, वह उसकी भविष्यवाणियों, सिफारिशों और निर्णयों के वास्तविक प्रभाव का आकलन करने के लिए आवश्यक है। अपनी विकास प्रक्रिया के आरंभ में उपयोगकर्ताओं के विविध सेट से इनपुट प्राप्त करना सुनिश्चित करें।

क्या मैं एक प्रतिनिधि डाटासेट का उपयोग कर रहा हूँ?

क्या आपका डेटा इस तरह से नमूना लिया गया है जो आपके उपयोगकर्ताओं का प्रतिनिधित्व करता है (जैसे सभी उम्र के लिए उपयोग किया जाएगा, लेकिन आपके पास केवल वरिष्ठ नागरिकों से प्रशिक्षण डेटा है) और वास्तविक-विश्व सेटिंग (उदाहरण के लिए साल भर उपयोग किया जाएगा, लेकिन आपके पास केवल प्रशिक्षण है गर्मियों से डेटा)?

क्या मेरे डेटा में वास्तविक दुनिया / मानव पूर्वाग्रह है?

डेटा में अंडरलाइंग पूर्वाग्रह जटिल प्रतिक्रिया छोरों में योगदान कर सकते हैं जो मौजूदा रूढ़ियों को मजबूत करते हैं।

अपने मॉडल को प्रशिक्षित करने के लिए मुझे किन तरीकों का उपयोग करना चाहिए?

मॉडल में निष्पक्षता, व्याख्या, गोपनीयता और सुरक्षा का निर्माण करने वाले प्रशिक्षण विधियों का उपयोग करें।

मेरा मॉडल कैसा प्रदर्शन कर रहा है?

उपयोगकर्ताओं के व्यापक स्पेक्ट्रम, उपयोग के मामलों और संदर्भों में वास्तविक दुनिया के परिदृश्यों में उपयोगकर्ता अनुभव का मूल्यांकन करें। पहले डॉगफूड में टेस्ट और पुनरावृति, इसके बाद लॉन्च के बाद निरंतर परीक्षण।

क्या जटिल प्रतिक्रियाएं हैं?

भले ही समग्र प्रणाली के डिजाइन में सब कुछ सावधानी से तैयार किया गया हो, एमएल-आधारित मॉडल वास्तविक, लाइव डेटा पर लागू होने पर शायद ही कभी 100% पूर्णता के साथ काम करते हैं। जब कोई मुद्दा लाइव उत्पाद में होता है, तो विचार करें कि क्या यह किसी भी मौजूदा सामाजिक नुकसान के साथ संरेखित करता है, और यह लघु और दीर्घकालिक दोनों समाधानों से कैसे प्रभावित होगा।

TensorFlow के लिए जिम्मेदार एआई उपकरण

ऊपर दिए गए कुछ प्रश्नों से निपटने में मदद करने के लिए TensorFlow पारिस्थितिकी तंत्र के पास उपकरणों और संसाधनों का एक सूट है।

चरण 1

समस्या को परिभाषित करें

जिम्मेदार एआई के साथ मॉडल को ध्यान में रखते हुए निम्नलिखित संसाधनों का उपयोग करें।

लोग + एआई रिसर्च (पीएआईआर) गाइडबुक

AI विकास प्रक्रिया और मुख्य विचारों के बारे में अधिक जानें।

पीएआईआर खोजकर्ता

जिम्मेदार एआई के दायरे में इंटरएक्टिव विज़ुअलाइज़ेशन, प्रमुख प्रश्नों और अवधारणाओं के माध्यम से अन्वेषण करें।

चरण 2

डेटा तैयार और तैयार करना

संभावित पूर्वाग्रहों के डेटा की जांच करने के लिए निम्नलिखित उपकरणों का उपयोग करें।

TF डेटा सत्यापन

समस्याओं का पता लगाने और अधिक प्रभावी सुविधा सेटों के लिए डेटा का विश्लेषण और रूपांतरण करें।

डेटा कार्ड

अपने डेटासेट के लिए एक पारदर्शिता रिपोर्ट बनाएँ।

चरण 3

मॉडल का निर्माण और प्रशिक्षण

गोपनीयता-संरक्षण, व्याख्या करने योग्य तकनीकों और अधिक का उपयोग करके मॉडल को प्रशिक्षित करने के लिए निम्नलिखित उपकरणों का उपयोग करें।

TF गोपनीयता

गोपनीयता के साथ ट्रेन मशीन सीखने के मॉडल।

TF फेडरेटेड

फ़ेडरेटेड लर्निंग तकनीकों का उपयोग करके ट्रेन मशीन लर्निंग मॉडल।

टीएफ विवश अनुकूलन

असमानता-विवश समस्याओं का अनुकूलन।

टीएफ जाली

लचीले, नियंत्रित और व्याख्यात्मक जाली आधारित मॉडल को लागू करें।

चरण 4

मॉडल का मूल्यांकन करें

डिबग, मूल्यांकन और निम्नलिखित उपकरणों का उपयोग करके मॉडल के प्रदर्शन की कल्पना करें।

निष्पक्षता संकेतक

बाइनरी और मल्टी-क्लास क्लासीफायर के लिए सामान्यतः पहचाने जाने वाले निष्पक्षता मैट्रिक्स का मूल्यांकन करें।

TF मॉडल विश्लेषण

वितरित तरीके से मॉडल का मूल्यांकन करें और डेटा के विभिन्न स्लाइस पर गणना करें।

क्या-अगर टूल

मशीन लर्निंग मॉडल की जांच, मूल्यांकन और तुलना करें।

व्याख्या करने योग्य ए.आई.

व्याख्यात्मक और समावेशी मशीन लर्निंग मॉडल विकसित करें।

TF गोपनीयता टेस्ट

वर्गीकरण मॉडल के गोपनीयता गुणों का आकलन करें।

TensorBoard

मापने और मशीन सीखने कार्यप्रवाह कल्पना।

चरण 5

तैनात करें और निगरानी करें

मॉडल के संदर्भ और विवरणों को ट्रैक और संवाद करने के लिए निम्नलिखित उपकरणों का उपयोग करें।

मॉडल कार्ड टूलकिट

मॉडल कार्ड टूलकिट का उपयोग करके आसानी से मॉडल कार्ड बनाएं।

एमएल मेटाडाटा

एमएल डेवलपर और डेटा वैज्ञानिक वर्कफ़्लोज़ के साथ जुड़े मेटाडेटा को रिकॉर्ड और पुनर्प्राप्त करें।

मॉडल कार्ड

मशीन लर्निंग के आवश्यक तथ्यों को एक संरचित तरीके से व्यवस्थित करें।

और अधिक जानें

जानें कि समुदाय क्या कर रहा है और इसमें शामिल होने के तरीकों का पता लगाएं।

Google द्वारा क्राउडसोर्स

Google के उत्पादों को आपकी भाषा, क्षेत्र और संस्कृति के अधिक समावेशी और प्रतिनिधि बनने में सहायता करें।

जिम्मेदार एआई देवपोस्ट चैलेंज

एक मॉडल या एप्लिकेशन को जिम्मेदार AI सिद्धांतों के साथ बनाने के लिए TensorFlow 2.2 का उपयोग करें।

TensorFlow (TF Dev Summit '20) के साथ जिम्मेदार एआई

प्रस्तुत है एमएल, निष्पक्षता और गोपनीयता के बारे में सोचने के लिए एक रूपरेखा।

जारी रखें