টেন্সরফ্লো ব্যবহার করে কীভাবে আপনার এমএল ওয়ার্কফ্লোতে দায়িত্বশীল এআই অনুশীলনগুলিকে সংহত করতে হয় তা শিখুন

টেন্সরফ্লো এমএল সম্প্রদায়ের সাথে সম্পদ এবং সরঞ্জামগুলির সংগ্রহ ভাগ করে এআই -এর দায়িত্বশীল উন্নয়নে অগ্রগতি সাধনে প্রতিশ্রুতিবদ্ধ।

দায়িত্বশীল এআই কি?

এআই এর বিকাশ চ্যালেঞ্জিং, রিয়েল-ওয়ার্ল্ড সমস্যা সমাধানের জন্য নতুন সুযোগ তৈরি করছে। এটি এআই সিস্টেমগুলি তৈরির সর্বোত্তম উপায় সম্পর্কে নতুন প্রশ্ন উত্থাপন করছে যা প্রত্যেককে উপকৃত করে।

এআই সিস্টেম ডিজাইন করা উচিত মানবকেন্দ্রিক হওয়ার সময় সফ্টওয়্যার ডেভেলপমেন্টের সর্বোত্তম অনুশীলনগুলি অনুসরণ করা
এমএল এর কাছে

ফর্সা

যেহেতু সেক্টর এবং সমাজে AI এর প্রভাব বৃদ্ধি পায়, সবার জন্য ন্যায্য এবং অন্তর্ভুক্তিমূলক ব্যবস্থার দিকে কাজ করা গুরুত্বপূর্ণ

ব্যাখ্যাযোগ্যতা

এআই সিস্টেমগুলি বোঝা এবং বিশ্বাস করা নিশ্চিত করার জন্য গুরুত্বপূর্ণ যে তারা উদ্দেশ্য অনুযায়ী কাজ করছে

গোপনীয়তা

সংবেদনশীল ডেটার বাইরে প্রশিক্ষণ মডেলের গোপনীয়তা সংরক্ষণের প্রয়োজন

নিরাপত্তা

সম্ভাব্য হুমকি সনাক্তকরণ এআই সিস্টেমগুলিকে সুরক্ষিত ও সুরক্ষিত রাখতে সহায়তা করতে পারে

আপনার এমএল কর্মপ্রবাহে দায়বদ্ধ এআই

দায়িত্বশীল এআই অনুশীলনগুলি এমএল কর্মপ্রবাহের প্রতিটি ধাপে অন্তর্ভুক্ত করা যেতে পারে। এখানে প্রতিটি পর্যায়ে বিবেচনা করার জন্য কিছু মূল প্রশ্ন রয়েছে।

আমার এমএল সিস্টেম কার জন্য?

আপনার সিস্টেমে প্রকৃত ব্যবহারকারীরা যেভাবে অভিজ্ঞতা লাভ করে তা এর পূর্বাভাস, প্রস্তাবনা এবং সিদ্ধান্তের সত্যিকারের প্রভাব মূল্যায়নের জন্য প্রয়োজনীয়। আপনার ডেভেলপমেন্ট প্রক্রিয়ার শুরুতে ব্যবহারকারীদের একটি বিচিত্র সেট থেকে ইনপুট পেতে ভুলবেন না।

আমি কি প্রতিনিধি ডেটাসেট ব্যবহার করছি?

আপনার ডেটা কি এমনভাবে নমুনা দেওয়া হয়েছে যা আপনার ব্যবহারকারীদের প্রতিনিধিত্ব করে (যেমন সমস্ত বয়সের জন্য ব্যবহার করা হবে, তবে আপনার কাছে কেবল প্রবীণ নাগরিকদের কাছ থেকে প্রশিক্ষণ ডেটা রয়েছে) এবং আসল ওয়ার্ল্ড সেটিং (উদাহরণস্বরূপ সারা বছর ব্যবহার করা হবে, তবে আপনার কেবল প্রশিক্ষণ রয়েছে গ্রীষ্ম থেকে তথ্য)?

আমার ডেটাতে কি বাস্তব-বিশ্ব / মানব পক্ষপাত রয়েছে?

তথ্যের অন্তর্নিহিত পক্ষপাত জটিল ফিডব্যাক লুপগুলিতে অবদান রাখতে পারে যা বিদ্যমান স্টেরিওটাইপগুলিকে শক্তিশালী করে।

আমার মডেলকে প্রশিক্ষণের জন্য আমার কোন পদ্ধতিগুলি ব্যবহার করা উচিত?

মডেলটিতে ন্যায্যতা, ব্যাখ্যাযোগ্যতা, গোপনীয়তা এবং সুরক্ষা তৈরি করার প্রশিক্ষণ পদ্ধতিগুলি ব্যবহার করুন।

আমার মডেল কেমন পারফর্ম করছে?

ব্যবহারকারীদের বিস্তৃত বর্ণালী জুড়ে বাস্তব জগতের পরিস্থিতিতে ব্যবহারকারীর অভিজ্ঞতার মূল্যায়ন করুন, কেস ব্যবহার করুন এবং ব্যবহারের প্রসঙ্গ। প্রথমে ডগফুডে পরীক্ষা এবং পুনরাবৃত্তি, তারপরে লঞ্চের পরে চালিয়ে যাওয়ার পরীক্ষা চালানো।

জটিল প্রতিক্রিয়া লুপ আছে?

এমনকি যদি সামগ্রিক সিস্টেম ডিজাইনের সবকিছু সাবধানে তৈরি করা হয়, এমএল-ভিত্তিক মডেলগুলি বাস্তব, লাইভ ডেটা প্রয়োগ করার সময় খুব কমই 100% পরিপূর্ণতার সাথে কাজ করে। যখন কোনও লাইভ প্রোডাক্টে কোনও সমস্যা দেখা দেয় তখন তা বিদ্যমান বিদ্যমান সামাজিক অসুবিধাগুলির সাথে সামঞ্জস্য করে কিনা এবং এটি কীভাবে স্বল্প ও দীর্ঘমেয়াদী উভয় সমাধানের দ্বারা প্রভাবিত হবে তা বিবেচনা করুন।

TensorFlow এর জন্য দায়িত্বশীল AI টুলস

টেন্সরফ্লো ইকোসিস্টেমের উপরের কিছু প্রশ্নের মোকাবেলায় সহায়তা করার জন্য সরঞ্জাম এবং সংস্থান রয়েছে।

ধাপ 1

সমস্যার সংজ্ঞা দাও

দায়িত্বশীল এআইকে মাথায় রেখে মডেলগুলি ডিজাইন করতে নিম্নলিখিত সংস্থানগুলি ব্যবহার করুন।

পিপল + এআই রিসার্চ (পেয়ার) গাইডবুক

এআই উন্নয়ন প্রক্রিয়া এবং মূল বিবেচনার বিষয়ে আরও জানুন।

PAIR Explorables

ইন্টারেক্টিভ ভিজ্যুয়ালাইজেশন, দায়বদ্ধ এআইয়ের ক্ষেত্রের মূল প্রশ্ন এবং ধারণাগুলির মাধ্যমে অনুসন্ধান করুন।

ধাপ ২

ডেটা তৈরি এবং প্রস্তুত করা

সম্ভাব্য পক্ষপাতের জন্য ডেটা পরীক্ষা করতে নিম্নলিখিত সরঞ্জামগুলি ব্যবহার করুন।

টিএফ ডেটা বৈধকরণ

সমস্যাগুলি সনাক্ত করতে এবং আরও কার্যকর ফিচার সেট ইঞ্জিনিয়ার করতে ডেটা বিশ্লেষণ করুন এবং রূপান্তর করুন।

ডেটা কার্ড

আপনার ডেটাসেটের জন্য একটি স্বচ্ছতা প্রতিবেদন তৈরি করুন।

ধাপ 3

মডেল তৈরি এবং প্রশিক্ষণ

গোপনীয়তা-সংরক্ষণ, ব্যাখ্যাযোগ্য কৌশল এবং আরও অনেক কিছু ব্যবহার করে মডেলগুলিকে প্রশিক্ষণের জন্য নিম্নলিখিত সরঞ্জামগুলি ব্যবহার করুন।

টিএফ মডেল প্রতিকার

আরও ন্যায়সঙ্গত ফলাফল প্রচার করতে ট্রেন মেশিন লার্নিং মডেলগুলি।

TF গোপনীয়তা

গোপনীয়তার সাথে মেশিন লার্নিং মডেলগুলি প্রশিক্ষণ দিন।

টিএফ ফেডারেটেড

ফেডারেটেড লার্নিং কৌশল ব্যবহার করে মেশিন লার্নিং মডেলগুলি প্রশিক্ষণ দিন।

TF সীমাবদ্ধ অপ্টিমাইজেশন

অসমতা-সীমাবদ্ধ সমস্যাগুলি অনুকূল করুন।

টিএফ জাল

নমনীয়, নিয়ন্ত্রিত এবং ব্যাখ্যাযোগ্য জাল-ভিত্তিক মডেলগুলি প্রয়োগ করুন।

ধাপ 4

মডেল মূল্যায়ন করুন

ডিবাগ, মূল্যায়ন, এবং নিম্নলিখিত সরঞ্জাম ব্যবহার করে মডেল কর্মক্ষমতা কল্পনা।

ন্যায্যতা সূচক

বাইনারি এবং মাল্টি-ক্লাস ক্লাসিফায়ারের জন্য সাধারণভাবে চিহ্নিত ন্যায্যতা মেট্রিকগুলি মূল্যায়ন করুন।

টিএফ মডেল বিশ্লেষণ

একটি বিতরণ পদ্ধতিতে মডেলগুলি মূল্যায়ন করুন এবং ডেটার বিভিন্ন স্লাইসের উপর গণনা করুন।

কি-যদি সরঞ্জাম

মেশিন লার্নিং মডেলগুলি পরীক্ষা করুন, মূল্যায়ন করুন এবং তুলনা করুন।

ভাষা ব্যাখ্যার টুল

এনএলপি মডেলগুলি দেখুন এবং বোঝুন।

ব্যাখ্যাযোগ্য এআই

ব্যাখ্যামূলক এবং অন্তর্ভুক্ত মেশিন লার্নিং মডেল তৈরি করুন।

টিএফ গোপনীয়তা পরীক্ষা

শ্রেণিবদ্ধকরণ মডেলগুলির গোপনীয়তা বৈশিষ্ট্যগুলি মূল্যায়ন করুন।

টেন্সরবোর্ড

মেশিন লার্নিংয়ের কর্মপ্রবাহ পরিমাপ করুন এবং ভিজ্যুয়ালাইজ করুন।

ধাপ 5

স্থাপন এবং নিরীক্ষণ

মডেল প্রসঙ্গ এবং বিশদ সম্পর্কে ট্র্যাক এবং যোগাযোগ করতে নিম্নলিখিত সরঞ্জামগুলি ব্যবহার করুন।

মডেল কার্ড টুলকিট

মডেল কার্ড টুলকিট ব্যবহার করে স্বাচ্ছন্দ্যে মডেল কার্ডগুলি তৈরি করুন।

এমএল মেটাডেটা

ML ডেভেলপার এবং ডেটা সায়েন্টিস্ট ওয়ার্কফ্লোর সাথে সম্পর্কিত মেটাডেটা রেকর্ড এবং পুনরুদ্ধার করুন।

মডেল কার্ড

কাঠামোগত উপায়ে মেশিন লার্নিংয়ের প্রয়োজনীয় তথ্যগুলি সংগঠিত করুন।

সম্প্রদায়ের সম্পদ

সম্প্রদায় কী করছে তা শিখুন এবং জড়িত হওয়ার উপায়গুলি ঘুরে দেখুন।

গুগল দ্বারা ক্রাউডসোর্স

Google- এর পণ্যগুলিকে আরও অন্তর্ভুক্তিমূলক এবং আপনার ভাষা, অঞ্চল এবং সংস্কৃতির প্রতিনিধি হতে সাহায্য করুন।

দায়বদ্ধ এআই দেবপোস্ট চ্যালেঞ্জ

আমরা অংশগ্রহণকারীদের দায়িত্বশীল AI নীতিগুলি মাথায় রেখে একটি মডেল বা অ্যাপ্লিকেশন তৈরি করতে TensorFlow 2.2 ব্যবহার করতে বলেছি। বিজয়ী এবং অন্যান্য আশ্চর্যজনক প্রকল্পগুলি দেখতে গ্যালারি দেখুন।

TensorFlow (TF Dev Summit '20) সহ দায়িত্বশীল AI

এমএল, ন্যায্যতা এবং গোপনীয়তা সম্পর্কে চিন্তাভাবনা করার জন্য একটি কাঠামো উপস্থাপন করছি।

চালিয়ে