Bir sorunuz mu var? TensorFlow Forum Ziyaret Forumunda toplulukla bağlantı kurun

TensorFlow kullanarak Sorumlu Yapay Zeka uygulamalarını makine öğrenimi iş akışınıza nasıl entegre edeceğinizi öğrenin

TensorFlow, ML topluluğuyla bir dizi kaynak ve araç paylaşarak yapay zekanın sorumlu bir şekilde geliştirilmesinde ilerleme sağlanmasına yardımcı olmaya kendini adamıştır.

Sorumlu AI nedir?

Yapay zekanın gelişimi, zorlu, gerçek dünyadaki sorunları çözmek için yeni fırsatlar yaratıyor. Aynı zamanda, herkese fayda sağlayan yapay zeka sistemleri oluşturmanın en iyi yolu hakkında yeni sorular da gündeme getiriyor.

Yapay zeka sistemleri tasarlamak, insan merkezli bir yaklaşımla yazılım geliştirmenin en iyi uygulamalarını takip etmelidir.
ML'ye yaklaşım

adalet

AI'nın etkisi sektörler ve toplumlar arasında arttıkça, herkes için adil ve kapsayıcı sistemlere doğru çalışmak kritik önem taşıyor.

yorumlanabilirlik

Yapay zeka sistemlerini anlamak ve güvenmek, amaçlandığı gibi çalıştıklarından emin olmak için önemlidir

Gizlilik

Hassas verilerden eğitim modelleri, gizliliği koruyan önlemlere ihtiyaç duyar

Güvenlik

Potansiyel tehditlerin belirlenmesi, yapay zeka sistemlerinin güvenli ve emniyetli tutulmasına yardımcı olabilir

Makine öğrenimi iş akışınızda sorumlu yapay zeka

Sorumlu yapay zeka uygulamaları, makine öğrenimi iş akışının her adımına dahil edilebilir. İşte her aşamada dikkate alınması gereken bazı önemli sorular.

ML sistemim kimler içindir?

Gerçek kullanıcıların sisteminizi deneyimleme şekli, tahminlerinin, önerilerinin ve kararlarının gerçek etkisini değerlendirmek için çok önemlidir. Geliştirme sürecinizin başlarında farklı bir kullanıcı grubundan girdi aldığınızdan emin olun.

Temsili bir veri seti mi kullanıyorum?

Verileriniz, kullanıcılarınızı (örneğin her yaş için kullanılacak, ancak yalnızca yaşlılardan eğitim verileriniz var) ve gerçek dünya ortamını (örneğin yıl boyunca kullanılacak, ancak yalnızca eğitiminiz olacak) temsil edecek şekilde mi örneklendi? yaz verileri)?

Verilerimde gerçek dünya/insan yanlılığı var mı?

Verilerdeki temel önyargılar, mevcut stereotipleri güçlendiren karmaşık geri bildirim döngülerine katkıda bulunabilir.

Modelimi eğitmek için hangi yöntemleri kullanmalıyım?

Modelde adalet, yorumlanabilirlik, gizlilik ve güvenlik oluşturan eğitim yöntemlerini kullanın.

Modelim nasıl performans gösteriyor?

Geniş bir kullanıcı yelpazesinde, kullanım senaryolarında ve kullanım bağlamlarında gerçek dünya senaryolarında kullanıcı deneyimini değerlendirin. İlk olarak test sürümünde test edin ve yineleyin, ardından piyasaya sürüldükten sonra test etmeye devam edin.

Karmaşık geri bildirim döngüleri var mı?

Genel sistem tasarımındaki her şey özenle hazırlanmış olsa bile, ML tabanlı modeller, gerçek, canlı verilere uygulandığında nadiren %100 mükemmellik ile çalışır. Canlı bir üründe bir sorun oluştuğunda, bunun mevcut herhangi bir toplumsal dezavantajla uyumlu olup olmadığını ve hem kısa hem de uzun vadeli çözümlerden nasıl etkileneceğini düşünün.

TensorFlow için sorumlu AI araçları

TensorFlow ekosistemi, yukarıdaki soruların bazılarının üstesinden gelmeye yardımcı olacak bir dizi araç ve kaynağa sahiptir.

Aşama 1

sorunu tanımla

Sorumlu yapay zekayı göz önünde bulundurarak modeller tasarlamak için aşağıdaki kaynakları kullanın.

İnsanlar + Yapay Zeka Araştırması (ÇİFT) Kılavuzu

Yapay zeka geliştirme süreci ve önemli hususlar hakkında daha fazla bilgi edinin.

ÇİFT Keşfedilebilirler

Sorumlu yapay zeka alanındaki etkileşimli görselleştirmeler, temel sorular ve kavramlar aracılığıyla keşfedin.

Adım 2

Veri oluşturma ve hazırlama

Potansiyel önyargılar için verileri incelemek için aşağıdaki araçları kullanın.

TF Veri Doğrulama

Sorunları tespit etmek ve daha etkili özellik kümeleri oluşturmak için verileri analiz edin ve dönüştürün.

Veri Kartları

Veri kümeniz için bir şeffaflık raporu oluşturun.

Aşama 3

Modeli inşa et ve eğit

Gizliliği koruyan, yorumlanabilir teknikler ve daha fazlasını kullanarak modelleri eğitmek için aşağıdaki araçları kullanın.

TF Modeli İyileştirme

Daha adil sonuçları teşvik etmek için makine öğrenimi modellerini eğitin.

TF Gizlilik

Makine öğrenimi modellerini gizlilikle eğitin.

TF Federasyonu

Birleşik öğrenme tekniklerini kullanarak makine öğrenimi modellerini eğitin.

TF Kısıtlı Optimizasyon

Eşitsizlik kısıtlı sorunları optimize edin.

TF Kafes

Esnek, kontrollü ve yorumlanabilir kafes tabanlı modeller uygulayın.

4. Adım

Modeli değerlendir

Aşağıdaki araçları kullanarak model performansını hata ayıklayın, değerlendirin ve görselleştirin.

Adalet Göstergeleri

İkili ve çok sınıflı sınıflandırıcılar için yaygın olarak tanımlanan adalet ölçümlerini değerlendirin.

TF Modeli Analizi

Modelleri dağıtılmış bir şekilde değerlendirin ve farklı veri dilimleri üzerinde hesaplayın.

What-If Aracı

Makine öğrenimi modellerini inceleyin, değerlendirin ve karşılaştırın.

Dil Yorumlanabilirlik Aracı

NLP modellerini görselleştirin ve anlayın.

açıklanabilir yapay zeka

Yorumlanabilir ve kapsayıcı makine öğrenimi modelleri geliştirin.

TF Gizlilik Testleri

Sınıflandırma modellerinin gizlilik özelliklerini değerlendirin.

TensorBoard

Makine öğrenimi iş akışını ölçün ve görselleştirin.

Adım 5

Dağıtın ve izleyin

Model bağlamı ve ayrıntıları hakkında izlemek ve iletişim kurmak için aşağıdaki araçları kullanın.

Model Kartı Araç Seti

Model Kartı araç setini kullanarak kolaylıkla model kartları oluşturun.

ML Meta Verileri

Makine öğrenimi geliştiricisi ve veri bilimcisi iş akışlarıyla ilişkili meta verileri kaydedin ve alın.

Model Kartları

Makine öğreniminin temel gerçeklerini yapılandırılmış bir şekilde düzenleyin.

Topluluk kaynakları

Topluluğun ne yaptığını öğrenin ve dahil olmanın yollarını keşfedin.

Google'dan kitle kaynağı

Google ürünlerinin daha kapsayıcı ve dilinizi, bölgenizi ve kültürünüzü temsil etmesine yardımcı olun.

Sorumlu AI DevPost Mücadelesi

Katılımcılardan Sorumlu Yapay Zeka ilkelerini göz önünde bulundurarak bir model veya uygulama oluşturmak için TensorFlow 2.2'yi kullanmalarını istedik. Kazananları ve diğer harika projeleri görmek için galeriye göz atın.

TensorFlow ile Sorumlu Yapay Zeka (TF Dev Summit '20)

Makine öğrenimi, adalet ve mahremiyet hakkında düşünmek için bir çerçeve sunmak.

Devam Et