Dowiedz się, jak zintegrować praktyki odpowiedzialnej sztucznej inteligencji z przepływem pracy ML za pomocą TensorFlow

TensorFlow angażuje się w pomoc w postępie w odpowiedzialnym rozwoju sztucznej inteligencji, udostępniając zbiór zasobów i narzędzi społeczności ML.

Czym jest odpowiedzialna sztuczna inteligencja?

Rozwój sztucznej inteligencji stwarza nowe możliwości rozwiązywania trudnych, rzeczywistych problemów. Rodzi to również nowe pytania dotyczące najlepszego sposobu tworzenia systemów sztucznej inteligencji, z których wszyscy skorzystają.

Projektowanie systemów sztucznej inteligencji powinno odbywać się zgodnie z najlepszymi praktykami w zakresie tworzenia oprogramowania, jednocześnie skupiając się na człowieku
podejście do ML

Uczciwość

Ponieważ wpływ sztucznej inteligencji wzrasta w różnych sektorach i społeczeństwach, niezwykle istotne jest działanie na rzecz systemów, które będą sprawiedliwe i włączające dla wszystkich

Interpretowalność

Zrozumienie systemów sztucznej inteligencji i zaufanie do nich jest ważne, aby mieć pewność, że działają zgodnie z przeznaczeniem

Prywatność

Modele szkoleniowe na podstawie wrażliwych danych wymagają zabezpieczeń chroniących prywatność

Bezpieczeństwo

Identyfikacja potencjalnych zagrożeń może pomóc w zapewnieniu bezpieczeństwa systemów AI

Odpowiedzialna sztuczna inteligencja w procesie ML

Odpowiedzialne praktyki AI można włączyć na każdym etapie przepływu pracy w zakresie uczenia maszynowego. Oto kilka kluczowych pytań, które należy rozważyć na każdym etapie.

Dla kogo jest mój system ML?

Sposób, w jaki faktyczni użytkownicy korzystają z systemu, jest niezbędny do oceny prawdziwego wpływu jego przewidywań, rekomendacji i decyzji. Upewnij się, że już na początku procesu tworzenia oprogramowania uzyskasz informacje od zróżnicowanej grupy użytkowników.

Czy używam reprezentatywnego zbioru danych?

Czy Twoje dane są próbkowane w sposób reprezentujący użytkowników (np. będą wykorzystywane w przypadku wszystkich grup wiekowych, ale masz tylko dane dotyczące szkoleń od seniorów) i ustawienia w świecie rzeczywistym (np. będą wykorzystywane przez cały rok, ale masz tylko dane dotyczące szkoleń? dane z lata)?

Czy moje dane zawierają błędy związane ze światem rzeczywistym/ludzkim?

Podstawowe błędy w danych mogą przyczyniać się do powstawania złożonych pętli sprzężenia zwrotnego, które wzmacniają istniejące stereotypy.

Jakich metod powinienem użyć do szkolenia mojego modelu?

Stosuj metody szkoleniowe, które budują w modelu uczciwość, interpretowalność, prywatność i bezpieczeństwo.

Jak radzi sobie mój model?

Oceń doświadczenie użytkownika w rzeczywistych scenariuszach w szerokim spektrum użytkowników, przypadków użycia i kontekstów użycia. Najpierw przetestuj i wykonaj iteracje w wersji testowej, a następnie kontynuuj testowanie po uruchomieniu.

Czy istnieją złożone pętle informacji zwrotnej?

Nawet jeśli wszystko w ogólnym projekcie systemu zostało starannie zaprojektowane, modele oparte na uczeniu maszynowym rzadko działają ze 100% perfekcją w zastosowaniu do rzeczywistych, bieżących danych. Kiedy problem pojawia się w działającym produkcie, zastanów się, czy jest on zgodny z istniejącymi wadami społecznymi i jaki wpływ na niego będą miały rozwiązania krótko- i długoterminowe.

Odpowiedzialne narzędzia AI dla TensorFlow

Ekosystem TensorFlow zawiera zestaw narzędzi i zasobów, które pomogą rozwiązać niektóre z powyższych pytań.

Krok 1

Zdefiniuj problem

Skorzystaj z poniższych zasobów, aby zaprojektować modele z myślą o odpowiedzialnej sztucznej inteligencji.

Przewodnik po badaniach Ludzie + AI (PARA).

Dowiedz się więcej o procesie rozwoju sztucznej inteligencji i kluczowych kwestiach.

PARA Odkrywcze

Poznaj, za pomocą interaktywnych wizualizacji, kluczowe pytania i koncepcje w dziedzinie odpowiedzialnej sztucznej inteligencji.

Krok 2

Konstruuj i przygotowuj dane

Skorzystaj z poniższych narzędzi, aby sprawdzić dane pod kątem potencjalnych błędów systematycznych.

Poznaj swoje dane (beta)

Interaktywnie badaj swój zbiór danych, aby poprawić jakość danych i złagodzić problemy związane z uczciwością i stronniczością.

Walidacja danych TF

Analizuj i przekształcaj dane, aby wykrywać problemy i opracowywać bardziej efektywne zestawy funkcji.

Karty danych

Utwórz raport przejrzystości dla swojego zbioru danych.

Skala odcieni skóry mnicha (MST)

Bardziej inkluzywna skala odcieni skóry, dostępna na otwartej licencji, dzięki której gromadzenie danych i budowanie modeli będą bardziej niezawodne i włączające.

Krok 3

Buduj i trenuj model

Skorzystaj z poniższych narzędzi, aby szkolić modele przy użyciu technik chroniących prywatność, możliwych do interpretacji i nie tylko.

Naprawa modelu TF

Trenuj modele uczenia maszynowego, aby promować bardziej sprawiedliwe wyniki.

Prywatność TF

Trenuj modele uczenia maszynowego z zachowaniem prywatności.

Federacja TF

Trenuj modele uczenia maszynowego przy użyciu technik uczenia się stowarzyszonego.

Ograniczona optymalizacja TF

Optymalizuj problemy ograniczone nierównościami.

Krata TF

Wdrażaj elastyczne, kontrolowane i interpretowalne modele oparte na kratach.

Krok 4

Oceń model

Debuguj, oceniaj i wizualizuj wydajność modelu za pomocą następujących narzędzi.

Wskaźniki sprawiedliwości

Oceń powszechnie identyfikowane metryki uczciwości dla klasyfikatorów binarnych i wieloklasowych.

Analiza modelu TF

Oceniaj modele w sposób rozproszony i przeprowadzaj obliczenia na różnych wycinkach danych.

Narzędzie „co jeśli”.

Sprawdź, oceń i porównaj modele uczenia maszynowego.

Narzędzie interpretacji języka

Wizualizuj i zrozum modele NLP.

Wyjaśnialna sztuczna inteligencja

Opracuj możliwe do zinterpretowania i włączające modele uczenia maszynowego.

Testy prywatności TF

Oceń właściwości prywatności modeli klasyfikacyjnych.

Płyta Tensor

Mierz i wizualizuj przepływ pracy w uczeniu maszynowym.

Krok 5

Wdrażaj i monitoruj

Użyj poniższych narzędzi do śledzenia kontekstu i szczegółów modelu oraz komunikowania się na ten temat.

Zestaw narzędzi do kart modeli

Z łatwością generuj karty modeli, korzystając z zestawu narzędzi Model Card.

Metadane ML

Rejestruj i pobieraj metadane powiązane z przepływami pracy programistów ML i analityków danych.

Karty modeli

Uporządkuj podstawowe fakty dotyczące uczenia maszynowego w ustrukturyzowany sposób.

Zasoby społeczności

Dowiedz się, co robi społeczność i poznaj sposoby zaangażowania się.

Crowdsource od Google

Pomóż usługom Google stać się bardziej włączającymi i reprezentatywnymi dla Twojego języka, regionu i kultury.

Odpowiedzialne wyzwanie AI DevPost

Poprosiliśmy uczestników, aby wykorzystali TensorFlow 2.2 do zbudowania modelu lub aplikacji z uwzględnieniem zasad odpowiedzialnej sztucznej inteligencji. Zajrzyj do galerii, aby zobaczyć zwycięzców i inne niesamowite projekty.

Odpowiedzialna sztuczna inteligencja z TensorFlow (TF Dev Summit '20)

Przedstawiamy ramy myślenia o ML, uczciwości i prywatności.

,

Dowiedz się, jak zintegrować praktyki odpowiedzialnej sztucznej inteligencji z przepływem pracy ML za pomocą TensorFlow

TensorFlow angażuje się w pomoc w postępie w odpowiedzialnym rozwoju sztucznej inteligencji, udostępniając zbiór zasobów i narzędzi społeczności ML.

Czym jest odpowiedzialna sztuczna inteligencja?

Rozwój sztucznej inteligencji stwarza nowe możliwości rozwiązywania trudnych, rzeczywistych problemów. Rodzi to również nowe pytania dotyczące najlepszego sposobu tworzenia systemów sztucznej inteligencji, z których wszyscy skorzystają.

Projektowanie systemów sztucznej inteligencji powinno odbywać się zgodnie z najlepszymi praktykami w zakresie tworzenia oprogramowania, jednocześnie skupiając się na człowieku
podejście do ML

Uczciwość

Ponieważ wpływ sztucznej inteligencji wzrasta w różnych sektorach i społeczeństwach, niezwykle istotne jest działanie na rzecz systemów, które będą sprawiedliwe i włączające dla wszystkich

Interpretowalność

Zrozumienie systemów sztucznej inteligencji i zaufanie do nich jest ważne, aby mieć pewność, że działają zgodnie z przeznaczeniem

Prywatność

Modele szkoleniowe na podstawie wrażliwych danych wymagają zabezpieczeń chroniących prywatność

Bezpieczeństwo

Identyfikacja potencjalnych zagrożeń może pomóc w zapewnieniu bezpieczeństwa systemów AI

Odpowiedzialna sztuczna inteligencja w procesie ML

Odpowiedzialne praktyki AI można włączyć na każdym etapie przepływu pracy w zakresie uczenia maszynowego. Oto kilka kluczowych pytań, które należy rozważyć na każdym etapie.

Dla kogo jest mój system ML?

Sposób, w jaki faktyczni użytkownicy korzystają z systemu, jest niezbędny do oceny prawdziwego wpływu jego przewidywań, rekomendacji i decyzji. Upewnij się, że na początku procesu tworzenia oprogramowania uzyskasz informacje od zróżnicowanej grupy użytkowników.

Czy używam reprezentatywnego zbioru danych?

Czy Twoje dane są próbkowane w sposób reprezentujący użytkowników (np. będą wykorzystywane w przypadku wszystkich grup wiekowych, ale masz tylko dane dotyczące szkoleń od seniorów) i ustawienia w świecie rzeczywistym (np. będą wykorzystywane przez cały rok, ale masz tylko dane dotyczące szkoleń? dane z lata)?

Czy moje dane zawierają błędy związane ze światem rzeczywistym/ludzkim?

Podstawowe błędy w danych mogą przyczyniać się do powstawania złożonych pętli sprzężenia zwrotnego, które wzmacniają istniejące stereotypy.

Jakich metod powinienem użyć do szkolenia mojego modelu?

Stosuj metody szkoleniowe, które budują w modelu uczciwość, interpretowalność, prywatność i bezpieczeństwo.

Jak radzi sobie mój model?

Oceń doświadczenie użytkownika w rzeczywistych scenariuszach w szerokim spektrum użytkowników, przypadków użycia i kontekstów użycia. Najpierw przetestuj i wykonaj iteracje w wersji testowej, a następnie kontynuuj testowanie po uruchomieniu.

Czy istnieją złożone pętle informacji zwrotnej?

Nawet jeśli wszystko w ogólnym projekcie systemu zostało starannie zaprojektowane, modele oparte na uczeniu maszynowym rzadko działają ze 100% perfekcją w zastosowaniu do rzeczywistych, bieżących danych. Kiedy problem pojawia się w działającym produkcie, zastanów się, czy jest on zgodny z istniejącymi wadami społecznymi i jaki wpływ na niego będą miały rozwiązania krótko- i długoterminowe.

Odpowiedzialne narzędzia AI dla TensorFlow

Ekosystem TensorFlow zawiera zestaw narzędzi i zasobów, które pomogą rozwiązać niektóre z powyższych pytań.

Krok 1

Zdefiniuj problem

Skorzystaj z poniższych zasobów, aby zaprojektować modele z myślą o odpowiedzialnej sztucznej inteligencji.

Przewodnik po badaniach Ludzie + AI (PARA).

Dowiedz się więcej o procesie rozwoju sztucznej inteligencji i kluczowych kwestiach.

PARA Odkrywcze

Poznaj, za pomocą interaktywnych wizualizacji, kluczowe pytania i koncepcje w dziedzinie odpowiedzialnej sztucznej inteligencji.

Krok 2

Konstruuj i przygotowuj dane

Skorzystaj z poniższych narzędzi, aby sprawdzić dane pod kątem potencjalnych błędów systematycznych.

Poznaj swoje dane (beta)

Interaktywnie badaj swój zbiór danych, aby poprawić jakość danych i złagodzić problemy związane z uczciwością i stronniczością.

Walidacja danych TF

Analizuj i przekształcaj dane, aby wykrywać problemy i opracowywać bardziej efektywne zestawy funkcji.

Karty danych

Utwórz raport przejrzystości dla swojego zbioru danych.

Skala odcieni skóry mnicha (MST)

Bardziej inkluzywna skala odcieni skóry, dostępna na otwartej licencji, dzięki której gromadzenie danych i budowanie modeli będą bardziej niezawodne i włączające.

Krok 3

Buduj i trenuj model

Skorzystaj z poniższych narzędzi, aby szkolić modele przy użyciu technik chroniących prywatność, możliwych do interpretacji i nie tylko.

Naprawa modelu TF

Trenuj modele uczenia maszynowego, aby promować bardziej sprawiedliwe wyniki.

Prywatność TF

Trenuj modele uczenia maszynowego z zachowaniem prywatności.

Federacja TF

Trenuj modele uczenia maszynowego przy użyciu technik uczenia się stowarzyszonego.

Ograniczona optymalizacja TF

Optymalizuj problemy ograniczone nierównościami.

Krata TF

Wdrażaj elastyczne, kontrolowane i interpretowalne modele oparte na kratach.

Krok 4

Oceń model

Debuguj, oceniaj i wizualizuj wydajność modelu za pomocą następujących narzędzi.

Wskaźniki sprawiedliwości

Oceń powszechnie identyfikowane metryki uczciwości dla klasyfikatorów binarnych i wieloklasowych.

Analiza modelu TF

Oceniaj modele w sposób rozproszony i przeprowadzaj obliczenia na różnych wycinkach danych.

Narzędzie „co jeśli”.

Sprawdź, oceń i porównaj modele uczenia maszynowego.

Narzędzie interpretacji języka

Wizualizuj i zrozum modele NLP.

Wyjaśnialna sztuczna inteligencja

Opracuj możliwe do zinterpretowania i włączające modele uczenia maszynowego.

Testy prywatności TF

Oceń właściwości prywatności modeli klasyfikacyjnych.

Płyta Tensor

Mierz i wizualizuj przepływ pracy w uczeniu maszynowym.

Krok 5

Wdrażaj i monitoruj

Użyj poniższych narzędzi do śledzenia kontekstu i szczegółów modelu oraz komunikowania się na ten temat.

Zestaw narzędzi do kart modeli

Z łatwością generuj karty modeli, korzystając z zestawu narzędzi Model Card.

Metadane ML

Rejestruj i pobieraj metadane powiązane z przepływami pracy programistów ML i analityków danych.

Karty modeli

Uporządkuj podstawowe fakty dotyczące uczenia maszynowego w ustrukturyzowany sposób.

Zasoby społeczności

Dowiedz się, co robi społeczność i poznaj sposoby zaangażowania się.

Crowdsource od Google

Pomóż usługom Google stać się bardziej włączającymi i reprezentatywnymi dla Twojego języka, regionu i kultury.

Odpowiedzialne wyzwanie AI DevPost

Poprosiliśmy uczestników, aby wykorzystali TensorFlow 2.2 do zbudowania modelu lub aplikacji z uwzględnieniem zasad odpowiedzialnej sztucznej inteligencji. Zajrzyj do galerii, aby zobaczyć zwycięzców i inne niesamowite projekty.

Odpowiedzialna sztuczna inteligencja z TensorFlow (TF Dev Summit '20)

Przedstawiamy ramy myślenia o ML, uczciwości i prywatności.