Scopri come integrare le pratiche di IA responsabile nel tuo flusso di lavoro ML utilizzando TensorFlow
TensorFlow si impegna ad aiutare a compiere progressi nello sviluppo responsabile dell'IA condividendo una raccolta di risorse e strumenti con la comunità ML.
Che cos'è l'IA responsabile?
Lo sviluppo dell'IA sta creando nuove opportunità per risolvere problemi complessi e reali. Sta inoltre sollevando nuove domande sul modo migliore per costruire sistemi di intelligenza artificiale a vantaggio di tutti.
Best practice consigliate per l'IA
La progettazione di sistemi di intelligenza artificiale dovrebbe seguire le migliori pratiche di sviluppo del software mentre si prende un approccio incentrato sull'uomo
approccio a ML
Equità
Poiché l'impatto dell'IA aumenta in tutti i settori e nelle società, è fondamentale lavorare per sistemi che siano equi e inclusivi per tutti
Interpretabilità
Comprendere e fidarsi dei sistemi di intelligenza artificiale è importante per garantire che funzionino come previsto
Privacy
I modelli di formazione a partire dai dati sensibili necessitano di salvaguardie per la tutela della privacy
Sicurezza
L'identificazione di potenziali minacce può aiutare a mantenere i sistemi di IA sicuri e protetti
IA responsabile nel tuo flusso di lavoro ML
Pratiche di intelligenza artificiale responsabili possono essere incorporate in ogni fase del flusso di lavoro ML. Ecco alcune domande chiave da considerare in ogni fase.
A chi è rivolto il mio sistema ML?
Il modo in cui gli utenti reali sperimentano il tuo sistema è essenziale per valutare il vero impatto delle sue previsioni, raccomandazioni e decisioni. Assicurati di ricevere input da un insieme diversificato di utenti all'inizio del processo di sviluppo.
Sto utilizzando un set di dati rappresentativo?
I tuoi dati sono campionati in un modo che rappresenti i tuoi utenti (ad es. verranno utilizzati per tutte le età, ma hai solo i dati di allenamento degli anziani) e l'impostazione del mondo reale (ad es. verranno utilizzati tutto l'anno, ma hai solo formazione dati dell'estate)?
C'è un pregiudizio nel mondo reale/umano nei miei dati?
I pregiudizi sottostanti nei dati possono contribuire a complessi circuiti di feedback che rafforzano gli stereotipi esistenti.
Quali metodi devo usare per addestrare il mio modello?
Utilizzare metodi di formazione che integrano equità, interpretabilità, privacy e sicurezza nel modello.
Come sta andando il mio modello?
Valuta l'esperienza dell'utente in scenari reali in un ampio spettro di utenti, casi d'uso e contesti d'uso. Testare e ripetere prima in dogfood, seguito da test continui dopo il lancio.
Ci sono circuiti di feedback complessi?
Anche se tutto nella progettazione complessiva del sistema è realizzato con cura, i modelli basati su ML raramente funzionano con una perfezione del 100% se applicati a dati reali e in tempo reale. Quando si verifica un problema in un prodotto live, valuta se è in linea con eventuali svantaggi sociali esistenti e in che modo sarà influenzato dalle soluzioni a breve e lungo termine.
Strumenti di intelligenza artificiale responsabili per TensorFlow
L'ecosistema TensorFlow dispone di una suite di strumenti e risorse per aiutare ad affrontare alcune delle domande di cui sopra.
Definisci problema
Utilizza le seguenti risorse per progettare modelli tenendo conto dell'IA responsabile.
Scopri di più sul processo di sviluppo dell'IA e sulle considerazioni chiave.
Esplora, tramite visualizzazioni interattive, domande e concetti chiave nel regno dell'IA responsabile.
Costruire e preparare i dati
Utilizzare i seguenti strumenti per esaminare i dati per potenziali distorsioni.
Esamina in modo interattivo il tuo set di dati per migliorare la qualità dei dati e mitigare i problemi di equità e bias.
Analizza e trasforma i dati per rilevare problemi e progettare set di funzionalità più efficaci.
Una scala del tono della pelle più inclusiva, con licenza aperta, per rendere le tue esigenze di raccolta dati e creazione di modelli più solide e inclusive.
Costruisci e addestra il modello
Utilizzare gli strumenti seguenti per addestrare i modelli utilizzando tecniche interpretabili e di tutela della privacy e altro ancora.
Addestra modelli di machine learning per promuovere risultati più equi.
Addestra modelli di machine learning utilizzando tecniche di apprendimento federato.
Implementare modelli basati su reticolo flessibili, controllati e interpretabili.
Valuta il modello
Esegui il debug, valuta e visualizza le prestazioni del modello utilizzando i seguenti strumenti.
Valuta le metriche di equità comunemente identificate per classificatori binari e multi-classe.
Valuta i modelli in modo distribuito e calcola su diverse sezioni di dati.
Esaminare, valutare e confrontare i modelli di machine learning.
Visualizzare e comprendere i modelli NLP.
Sviluppare modelli di apprendimento automatico interpretabili e inclusivi.
Valutare le proprietà di privacy dei modelli di classificazione.
Distribuire e monitorare
Utilizzare gli strumenti seguenti per monitorare e comunicare il contesto e i dettagli del modello.
Genera facilmente schede modello utilizzando il kit di strumenti per schede modello.
Registra e recupera i metadati associati ai flussi di lavoro di sviluppatori ML e data scientist.
Organizza i fatti essenziali dell'apprendimento automatico in modo strutturato.
Risorse comunitarie
Scopri cosa sta facendo la community ed esplora i modi per essere coinvolti.
Aiuta i prodotti Google a diventare più inclusivi e rappresentativi della tua lingua, regione e cultura.
Abbiamo chiesto ai partecipanti di utilizzare TensorFlow 2.2 per creare un modello o un'applicazione tenendo presenti i principi dell'IA responsabile. Dai un'occhiata alla gallery per vedere i vincitori e altri fantastici progetti.
Presentazione di un framework per pensare a ML, equità e privacy.