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

TensorFlow cam kết giúp đạt được tiến bộ trong việc phát triển AI có trách nhiệm bằng cách chia sẻ bộ sưu tập tài nguyên và công cụ với cộng đồng ML.

Các phương pháp hay nhất được đề xuất cho AI

Việc thiết kế hệ thống AI phải tuân theo các phương pháp hay nhất về phát triển phần mềm đồng thời lấy con người làm trung tâm.
cách tiếp cận ML

Công bằng

Khi tác động của AI ngày càng tăng trên các lĩnh vực và xã hội, điều quan trọng là phải hướng tới các hệ thống công bằng và toàn diện cho tất cả mọi người.

Khả năng giải thích

Hiểu và tin tưởng các hệ thống AI là điều quan trọng để đảm bảo chúng hoạt động như dự định

Sự riêng tư

Các mô hình đào tạo về dữ liệu nhạy cảm cần các biện pháp bảo vệ quyền riêng tư

Bảo vệ

Xác định các mối đe dọa tiềm ẩn có thể giúp giữ cho hệ thống AI an toàn và bảo mật

Xác định vấn đề Xây dựng và chuẩn bị dữ liệu Xây dựng và đào tạo mô hình Đánh giá mô hình Triển khai và giám sát

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 ý kiến đóng góp từ nhiều nhóm người dùng khác nhau 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 được đào tạo dữ liệu từ mùa hè)?

Có sự thiên vị trong thế giới thực/con người trong dữ liệu của tôi không?

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

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

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

Mô hình của tôi hoạt động như thế nào?

Đánh giá trải nghiệm người dùng trong các tình huống thực tế trên nhiều loại người dùng, trường hợp sử dụng và bối cảnh sử dụng. Trước tiên, hãy thử nghiệm và lặp lại trong dogfood, sau đó tiếp tục thử nghiệm sau khi ra mắt.

Có vòng phản hồi phức tạp không?

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

Sách hướng dẫn nghiên cứu Con người + AI (PAIR)

Tìm hiểu thêm về quá trình phát triển AI và những cân nhắc chính.

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