TensorFlow का उपयोग करके अपने ML वर्कफ़्लो में जिम्मेदार AI प्रथाओं को एकीकृत करने का तरीका जानें
TensorFlow ML समुदाय के साथ संसाधनों और उपकरणों के संग्रह को 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 सर्वोत्तम तरीके के बारे में नए सवाल भी उठा रहा है जो सभी को लाभान्वित करता है।
एआई के लिए अनुशंसित सर्वोत्तम अभ्यास
मानव-केंद्रित लेते समय एआई सिस्टम को डिजाइन करना सॉफ्टवेयर विकास सर्वोत्तम प्रथाओं का पालन करना चाहिए
एमएल के लिए दृष्टिकोण
फेयरनेस
जैसे-जैसे एआई का प्रभाव सभी क्षेत्रों और समाजों में बढ़ता है, उन प्रणालियों की दिशा में काम करना महत्वपूर्ण है जो सभी के लिए निष्पक्ष और समावेशी हों
विवेचनीयता
एआई सिस्टम को समझना और उन पर भरोसा करना यह सुनिश्चित करने के लिए महत्वपूर्ण है कि वे इरादे के अनुसार काम कर रहे हैं
गोपनीयता
संवेदनशील डेटा के प्रशिक्षण मॉडल को गोपनीयता बनाए रखने वाले सुरक्षा उपायों की आवश्यकता होती है
सुरक्षा
संभावित खतरों की पहचान करने से AI सिस्टम को सुरक्षित और सुरक्षित रखने में मदद मिल सकती है
आपके एमएल वर्कफ़्लो में ज़िम्मेदार एआई
जिम्मेदार एआई प्रथाओं को एमएल वर्कफ़्लो के हर चरण में शामिल किया जा सकता है। प्रत्येक चरण में विचार करने के लिए यहां कुछ महत्वपूर्ण प्रश्न दिए गए हैं।
मेरा एमएल सिस्टम किसके लिए है?
जिस तरह से वास्तविक उपयोगकर्ता आपके सिस्टम का अनुभव करते हैं, वह इसकी भविष्यवाणियों, अनुशंसाओं और निर्णयों के सही प्रभाव का आकलन करने के लिए आवश्यक है। अपनी विकास प्रक्रिया की शुरुआत में ही विविध प्रकार के उपयोगकर्ताओं से इनपुट प्राप्त करना सुनिश्चित करें।
क्या मैं एक प्रतिनिधि डेटासेट का उपयोग कर रहा हूँ?
क्या आपका डेटा इस तरह से नमूना है जो आपके उपयोगकर्ताओं का प्रतिनिधित्व करता है (उदाहरण के लिए 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/मानवीय पूर्वाग्रह है?
डेटा में अंतर्निहित पूर्वाग्रह जटिल फीडबैक लूप में योगदान कर सकते हैं जो मौजूदा रूढ़िवादों को मजबूत करते हैं।
अपने मॉडल को प्रशिक्षित करने के लिए मुझे किन विधियों का उपयोग करना चाहिए?
मॉडल में निष्पक्षता, व्याख्यात्मकता, गोपनीयता और सुरक्षा का निर्माण करने वाली प्रशिक्षण विधियों का उपयोग करें।
मेरा मॉडल कैसा प्रदर्शन कर रहा है?
उपयोगकर्ताओं, उपयोग के मामलों और उपयोग के संदर्भों के व्यापक स्पेक्ट्रम में वास्तविक दुनिया के परिदृश्यों में उपयोगकर्ता अनुभव का मूल्यांकन करें। पहले डॉगफ़ूड में परीक्षण करें और पुनरावृति करें, उसके बाद लॉन्च के बाद निरंतर परीक्षण करें।
क्या जटिल फीडबैक लूप हैं?
भले ही समग्र सिस्टम डिज़ाइन में सब कुछ सावधानीपूर्वक तैयार किया गया हो, वास्तविक, लाइव डेटा पर लागू होने पर एमएल-आधारित मॉडल 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 मौजूदा सामाजिक नुकसान के साथ संरेखित है, और यह लघु और दीर्घकालिक दोनों समाधानों से कैसे प्रभावित होगा।
TensorFlow के लिए ज़िम्मेदार AI टूल
TensorFlow पारिस्थितिकी तंत्र में उपरोक्त कुछ प्रश्नों से निपटने में मदद करने के लिए उपकरणों और संसाधनों का एक सूट है।
समस्या को परिभाषित करें
जिम्मेदार एआई को ध्यान में रखते हुए मॉडल डिजाइन करने के लिए निम्नलिखित संसाधनों का उपयोग करें।
एआई विकास प्रक्रिया और प्रमुख विचारों के बारे में अधिक जानें।
उत्तरदायी एआई के दायरे में इंटरैक्टिव विज़ुअलाइज़ेशन, प्रमुख प्रश्नों और अवधारणाओं के माध्यम से अन्वेषण करें।
डेटा बनाना और तैयार करना
संभावित पूर्वाग्रहों के लिए डेटा की जांच करने के लिए निम्नलिखित टूल का उपयोग करें।
डेटा गुणवत्ता में सुधार और निष्पक्षता और पूर्वाग्रह के मुद्दों को कम करने के लिए अपने डेटासेट की अंतःक्रियात्मक रूप से जांच करें।
समस्याओं का पता लगाने के लिए डेटा का विश्लेषण और रूपांतरण करें और अधिक प्रभावी फीचर सेट तैयार करें।
मॉडल बनाएं और प्रशिक्षित करें
निजता-संरक्षण, व्याख्या योग्य तकनीकों, और बहुत कुछ का उपयोग करके मॉडलों को प्रशिक्षित करने के लिए निम्नलिखित टूल का उपयोग करें।
मॉडल का मूल्यांकन करें
निम्नलिखित टूल का उपयोग करके मॉडल प्रदर्शन को डीबग, मूल्यांकन और विज़ुअलाइज़ करें।
बाइनरी और मल्टी-क्लास क्लासिफायर के लिए सामान्य रूप से पहचाने जाने वाले निष्पक्षता मेट्रिक्स का मूल्यांकन करें।
वितरित तरीके से मॉडल का मूल्यांकन करें और डेटा के विभिन्न स्लाइस पर गणना करें।
तैनाती और निगरानी
मॉडल संदर्भ और विवरण के बारे में ट्रैक करने और संवाद करने के लिए निम्नलिखित टूल का उपयोग करें।
एमएल डेवलपर और डेटा वैज्ञानिक वर्कफ़्लो से जुड़े मेटाडेटा को रिकॉर्ड और पुनर्प्राप्त करें।
सामूहिक संसाधन
जानें कि समुदाय क्या कर रहा है और इसमें शामिल होने के तरीके तलाशें।
Google के उत्पादों को अधिक समावेशी और आपकी भाषा, क्षेत्र और संस्कृति का प्रतिनिधि बनने में सहायता करें।
हमने प्रतिभागियों को जिम्मेदार एआई सिद्धांतों को ध्यान में रखते हुए एक मॉडल या एप्लिकेशन बनाने के लिए TensorFlow 2.2 का उपयोग करने के लिए कहा। विजेताओं और अन्य अद्भुत परियोजनाओं को देखने के लिए गैलरी देखें।
एमएल, निष्पक्षता और गोपनीयता के बारे में सोचने के लिए एक ढांचा पेश करना।