TensorFlow का उपयोग करके अपने AI 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?
एआई 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।
एअर इंडिया के लिए सर्वोत्तम प्रथाओं की सिफारिश की
एआई सिस्टम डिज़ाइन करना मानव-केंद्रित लेते समय सॉफ्टवेयर विकास सर्वोत्तम प्रथाओं का पालन करना चाहिए
एमएल के लिए दृष्टिकोण
फेयरनेस
जैसा कि AI का प्रभाव सभी क्षेत्रों और समाजों में बढ़ता है, ऐसे सिस्टम की दिशा में काम करना महत्वपूर्ण है जो सभी के लिए निष्पक्ष और समावेशी हों
विवेचनीयता
एआई सिस्टम को समझना और भरोसा करना यह सुनिश्चित करना 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 का प्रशिक्षण डेटा है) और वास्तविक दुनिया की 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 के 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?
यहां तक कि अगर समग्र प्रणाली के डिजाइन में सब कुछ सावधानी से तैयार किया गया है, तो एमएल-आधारित मॉडल वास्तविक, लाइव डेटा पर लागू होने पर शायद ही कभी 100% पूर्णता के साथ काम करते हैं। जब किसी लाइव उत्पाद में कोई समस्या आती 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
TensorFlow पारिस्थितिकी तंत्र में ऊपर दिए गए कुछ प्रश्नों से निपटने में मदद करने के लिए उपकरणों और संसाधनों का एक सूट है।
समस्या को परिभाषित करें
जिम्मेदार एआई के साथ मॉडल डिजाइन करने के लिए निम्नलिखित संसाधनों का उपयोग करें।
AI विकास प्रक्रिया और मुख्य विचारों के बारे में अधिक जानें।
जिम्मेदार एआई के दायरे में इंटरैक्टिव विज़ुअलाइज़ेशन, प्रमुख प्रश्नों और अवधारणाओं के माध्यम से अन्वेषण करें।
डेटा तैयार और तैयार करना
संभावित गैसों के डेटा की जांच करने के लिए निम्नलिखित उपकरणों का उपयोग करें।
समस्याओं का पता लगाने के लिए डेटा का विश्लेषण और रूपांतरण और इंजीनियर अधिक प्रभावी फीचर सेट।
मॉडल का निर्माण और प्रशिक्षण
गोपनीयता-संरक्षण, व्याख्या करने योग्य तकनीकों और अधिक का उपयोग करके मॉडल को प्रशिक्षित करने के लिए निम्नलिखित टूल का उपयोग करें।
मॉडल का मूल्यांकन करें
डिबग, मूल्यांकन, और निम्नलिखित उपकरणों का उपयोग करके मॉडल के प्रदर्शन की कल्पना करें।
बाइनरी और मल्टी-क्लास क्लासफायर के लिए आमतौर पर पहचाने जाने वाले निष्पक्षता मैट्रिक्स का मूल्यांकन करें।
वितरित तरीके से मॉडल का मूल्यांकन करें और डेटा के विभिन्न स्लाइस पर गणना करें।
तैनात करें और निगरानी करें
मॉडल के संदर्भ और विवरणों को ट्रैक और संवाद करने के लिए निम्नलिखित उपकरणों का उपयोग करें।
एमएल डेवलपर और डेटा वैज्ञानिक वर्कफ़्लोज़ के साथ जुड़े मेटाडेटा को रिकॉर्ड करें और पुनर्प्राप्त करें।
सामूहिक संसाधन
जानें कि समुदाय क्या कर रहा है और इसमें शामिल होने के तरीकों का पता लगाएं।
Google के उत्पादों को आपकी भाषा, क्षेत्र और संस्कृति के अधिक समावेशी और प्रतिनिधि बनने में सहायता करें।
हमने प्रतिभागियों को जिम्मेदार एआई सिद्धांतों को ध्यान में रखते हुए एक मॉडल या एप्लिकेशन बनाने के लिए टेन्सरफ्लो 2.2 का उपयोग करने के लिए कहा। विजेताओं और अन्य अद्भुत परियोजनाओं को देखने के लिए गैलरी देखें।
प्रस्तुत है एमएल, निष्पक्षता और गोपनीयता के बारे में सोचने के लिए एक रूपरेखा।