Pelajari cara mengintegrasikan praktik AI yang Bertanggung Jawab ke dalam alur kerja ML Anda menggunakan TensorFlow
TensorFlow berkomitmen membantu mencapai kemajuan dalam pengembangan AI yang bertanggung jawab dengan berbagi kumpulan resource dan alat dengan komunitas ML.
Apa itu AI yang Bertanggung Jawab?
Perkembangan AI menciptakan peluang baru untuk memecahkan permasalahan dunia nyata yang menantang. Hal ini juga menimbulkan pertanyaan baru tentang cara terbaik untuk membangun sistem AI yang bermanfaat bagi semua orang.
Praktik terbaik yang direkomendasikan untuk AI
Perancangan sistem AI harus mengikuti praktik terbaik pengembangan perangkat lunak sambil tetap berpusat pada manusia
pendekatan ML
Keadilan
Ketika dampak AI meningkat di berbagai sektor dan masyarakat, penting untuk berupaya mewujudkan sistem yang adil dan inklusif bagi semua orang
Interpretasi
Memahami dan memercayai sistem AI penting untuk memastikan sistem berfungsi sebagaimana mestinya
Pribadi
Model pelatihan yang menggunakan data sensitif memerlukan perlindungan privasi
Keamanan
Mengidentifikasi potensi ancaman dapat membantu menjaga sistem AI tetap aman dan terlindungi
AI yang bertanggung jawab dalam alur kerja ML Anda
Praktik AI yang bertanggung jawab dapat diterapkan di setiap langkah alur kerja ML. Berikut beberapa pertanyaan kunci yang perlu dipertimbangkan pada setiap tahap.
Untuk siapa sistem ML saya?
Cara pengguna sebenarnya merasakan sistem Anda sangat penting untuk menilai dampak sebenarnya dari prediksi, rekomendasi, dan keputusannya. Pastikan untuk mendapatkan masukan dari beragam pengguna di awal proses pengembangan Anda.
Apakah saya menggunakan kumpulan data yang representatif?
Apakah data Anda diambil sampelnya dengan cara yang mewakili pengguna Anda (misalnya akan digunakan untuk segala usia, namun Anda hanya memiliki data pelatihan dari warga lanjut usia) dan keadaan dunia nyata (misalnya akan digunakan sepanjang tahun, namun Anda hanya memiliki data pelatihan? data dari musim panas)?
Apakah ada bias dunia nyata/manusia dalam data saya?
Bias yang mendasari data dapat berkontribusi pada putaran umpan balik yang kompleks yang memperkuat stereotip yang ada.
Metode apa yang harus saya gunakan untuk melatih model saya?
Gunakan metode pelatihan yang memasukkan keadilan, interpretasi, privasi, dan keamanan ke dalam model.
Bagaimana kinerja model saya?
Evaluasi pengalaman pengguna dalam skenario dunia nyata di berbagai spektrum pengguna, kasus penggunaan, dan konteks penggunaan. Uji dan ulangi dalam dogfood terlebih dahulu, lalu dilanjutkan dengan pengujian lanjutan setelah peluncuran.
Apakah ada putaran umpan balik yang rumit?
Meskipun segala sesuatu dalam keseluruhan desain sistem dibuat dengan cermat, model berbasis ML jarang beroperasi dengan kesempurnaan 100% saat diterapkan pada data nyata dan langsung. Ketika suatu masalah terjadi pada produk yang ada, pertimbangkan apakah masalah tersebut sejalan dengan kerugian sosial yang ada, dan bagaimana masalah tersebut akan terkena dampak dari solusi jangka pendek dan jangka panjang.
Alat AI yang bertanggung jawab untuk TensorFlow
Ekosistem TensorFlow memiliki serangkaian alat dan resource untuk membantu menjawab beberapa pertanyaan di atas.
Definisikan masalah
Gunakan sumber daya berikut untuk merancang model dengan mempertimbangkan AI yang Bertanggung Jawab.
Pelajari lebih lanjut tentang proses pengembangan AI dan pertimbangan utamanya.
Jelajahi, melalui visualisasi interaktif, pertanyaan dan konsep kunci di bidang AI yang Bertanggung Jawab.
Membangun dan menyiapkan data
Gunakan alat berikut untuk memeriksa data untuk mengetahui potensi bias.
Selidiki kumpulan data Anda secara interaktif untuk meningkatkan kualitas data dan mengurangi masalah keadilan dan bias.
Analisis dan transformasi data untuk mendeteksi masalah dan merekayasa rangkaian fitur yang lebih efektif.
Skala warna kulit yang lebih inklusif, berlisensi terbuka, untuk membuat kebutuhan pengumpulan data dan pembuatan model Anda lebih kuat dan inklusif.
Membangun dan melatih model
Gunakan alat berikut untuk melatih model menggunakan teknik yang menjaga privasi dan dapat ditafsirkan, dan banyak lagi.
Latih model pembelajaran mesin untuk mendorong hasil yang lebih adil.
Melatih model pembelajaran mesin menggunakan teknik pembelajaran gabungan.
Menerapkan model berbasis kisi yang fleksibel, terkontrol, dan dapat diinterpretasikan.
Evaluasi modelnya
Debug, evaluasi, dan visualisasikan performa model menggunakan alat berikut.
Evaluasi metrik keadilan yang umum diidentifikasi untuk pengklasifikasi biner dan kelas jamak.
Evaluasi model secara terdistribusi dan hitung berbagai bagian data.
Mengembangkan model pembelajaran mesin yang dapat ditafsirkan dan inklusif.
Terapkan dan pantau
Gunakan alat berikut untuk melacak dan berkomunikasi tentang konteks dan detail model.
Hasilkan kartu model dengan mudah menggunakan toolkit Model Card.
Rekam dan ambil metadata yang terkait dengan alur kerja pengembang ML dan ilmuwan data.
Sumber daya komunitas
Pelajari apa yang dilakukan komunitas dan cari cara untuk terlibat.
Bantu produk Google menjadi lebih inklusif dan mewakili bahasa, wilayah, dan budaya Anda.
Kami meminta peserta menggunakan TensorFlow 2.2 untuk membangun model atau aplikasi dengan mempertimbangkan prinsip-prinsip AI yang Bertanggung Jawab. Kunjungi galeri untuk melihat para pemenang dan proyek menakjubkan lainnya.
Memperkenalkan kerangka kerja untuk memikirkan ML, keadilan, dan privasi.
Pelajari cara mengintegrasikan praktik AI yang Bertanggung Jawab ke dalam alur kerja ML Anda menggunakan TensorFlow
TensorFlow berkomitmen membantu mencapai kemajuan dalam pengembangan AI yang bertanggung jawab dengan berbagi kumpulan resource dan alat dengan komunitas ML.
Apa itu AI yang Bertanggung Jawab?
Perkembangan AI menciptakan peluang baru untuk memecahkan permasalahan dunia nyata yang menantang. Hal ini juga menimbulkan pertanyaan baru tentang cara terbaik untuk membangun sistem AI yang bermanfaat bagi semua orang.
Praktik terbaik yang direkomendasikan untuk AI
Perancangan sistem AI harus mengikuti praktik terbaik pengembangan perangkat lunak sambil tetap berpusat pada manusia
pendekatan ML
Keadilan
Ketika dampak AI meningkat di berbagai sektor dan masyarakat, penting untuk berupaya mewujudkan sistem yang adil dan inklusif bagi semua orang
Interpretasi
Memahami dan memercayai sistem AI penting untuk memastikan sistem berfungsi sebagaimana mestinya
Pribadi
Model pelatihan yang menggunakan data sensitif memerlukan perlindungan privasi
Keamanan
Mengidentifikasi potensi ancaman dapat membantu menjaga sistem AI tetap aman dan terlindungi
AI yang bertanggung jawab dalam alur kerja ML Anda
Praktik AI yang bertanggung jawab dapat diterapkan di setiap langkah alur kerja ML. Berikut beberapa pertanyaan kunci yang perlu dipertimbangkan pada setiap tahap.
Untuk siapa sistem ML saya?
Cara pengguna sebenarnya merasakan sistem Anda sangat penting untuk menilai dampak sebenarnya dari prediksi, rekomendasi, dan keputusannya. Pastikan untuk mendapatkan masukan dari beragam pengguna di awal proses pengembangan Anda.
Apakah saya menggunakan kumpulan data yang representatif?
Apakah data Anda diambil sampelnya dengan cara yang mewakili pengguna Anda (misalnya akan digunakan untuk segala usia, namun Anda hanya memiliki data pelatihan dari warga lanjut usia) dan keadaan dunia nyata (misalnya akan digunakan sepanjang tahun, namun Anda hanya memiliki data pelatihan? data dari musim panas)?
Apakah ada bias dunia nyata/manusia dalam data saya?
Bias yang mendasari data dapat berkontribusi pada putaran umpan balik yang kompleks yang memperkuat stereotip yang ada.
Metode apa yang harus saya gunakan untuk melatih model saya?
Gunakan metode pelatihan yang memasukkan keadilan, interpretasi, privasi, dan keamanan ke dalam model.
Bagaimana kinerja model saya?
Evaluasi pengalaman pengguna dalam skenario dunia nyata di berbagai spektrum pengguna, kasus penggunaan, dan konteks penggunaan. Uji dan ulangi dalam dogfood terlebih dahulu, lalu dilanjutkan dengan pengujian lanjutan setelah peluncuran.
Apakah ada putaran umpan balik yang rumit?
Meskipun segala sesuatu dalam keseluruhan desain sistem dibuat dengan cermat, model berbasis ML jarang beroperasi dengan kesempurnaan 100% saat diterapkan pada data nyata dan langsung. Ketika suatu masalah terjadi pada produk yang ada, pertimbangkan apakah masalah tersebut sejalan dengan kerugian sosial yang ada, dan bagaimana masalah tersebut akan terkena dampak dari solusi jangka pendek dan jangka panjang.
Alat AI yang bertanggung jawab untuk TensorFlow
Ekosistem TensorFlow memiliki serangkaian alat dan resource untuk membantu menjawab beberapa pertanyaan di atas.
Definisikan masalah
Gunakan sumber daya berikut untuk merancang model dengan mempertimbangkan AI yang Bertanggung Jawab.
Pelajari lebih lanjut tentang proses pengembangan AI dan pertimbangan utamanya.
Jelajahi, melalui visualisasi interaktif, pertanyaan dan konsep kunci di bidang AI yang Bertanggung Jawab.
Membangun dan menyiapkan data
Gunakan alat berikut untuk memeriksa data untuk mengetahui potensi bias.
Selidiki kumpulan data Anda secara interaktif untuk meningkatkan kualitas data dan mengurangi masalah keadilan dan bias.
Analisis dan transformasi data untuk mendeteksi masalah dan merekayasa rangkaian fitur yang lebih efektif.
Skala warna kulit yang lebih inklusif, berlisensi terbuka, untuk membuat kebutuhan pengumpulan data dan pembuatan model Anda lebih kuat dan inklusif.
Membangun dan melatih model
Gunakan alat berikut untuk melatih model menggunakan teknik yang menjaga privasi dan dapat ditafsirkan, dan banyak lagi.
Latih model pembelajaran mesin untuk mendorong hasil yang lebih adil.
Melatih model pembelajaran mesin menggunakan teknik pembelajaran gabungan.
Menerapkan model berbasis kisi yang fleksibel, terkontrol, dan dapat diinterpretasikan.
Evaluasi modelnya
Debug, evaluasi, dan visualisasikan performa model menggunakan alat berikut.
Evaluasi metrik keadilan yang umum diidentifikasi untuk pengklasifikasi biner dan kelas jamak.
Evaluasi model secara terdistribusi dan hitung berbagai bagian data.
Mengembangkan model pembelajaran mesin yang dapat ditafsirkan dan inklusif.
Terapkan dan pantau
Gunakan alat berikut untuk melacak dan berkomunikasi tentang konteks dan detail model.
Hasilkan kartu model dengan mudah menggunakan toolkit Model Card.
Rekam dan ambil metadata yang terkait dengan alur kerja pengembang ML dan ilmuwan data.
Sumber daya komunitas
Pelajari apa yang dilakukan komunitas dan cari cara untuk terlibat.
Bantu produk Google menjadi lebih inklusif dan mewakili bahasa, wilayah, dan budaya Anda.
Kami meminta peserta menggunakan TensorFlow 2.2 untuk membangun model atau aplikasi dengan mempertimbangkan prinsip-prinsip AI yang Bertanggung Jawab. Kunjungi galeri untuk melihat para pemenang dan proyek menakjubkan lainnya.
Memperkenalkan kerangka kerja untuk memikirkan ML, keadilan, dan privasi.