TensorFlow'u kullanarak Sorumlu Yapay Zeka uygulamalarını makine öğrenimi iş akışınıza nasıl entegre edeceğinizi öğrenin
TensorFlow, bir kaynak ve araç koleksiyonunu makine öğrenimi topluluğuyla paylaşarak yapay zekanın sorumlu bir şekilde geliştirilmesinde ilerleme kaydedilmesine yardımcı olmaya kararlıdır.
Sorumlu Yapay Zeka Nedir?
Yapay zekanın gelişimi, zorlu, gerçek dünya sorunlarını çözmek için yeni fırsatlar yaratıyor. Aynı zamanda herkese fayda sağlayacak yapay zeka sistemleri oluşturmanın en iyi yolu hakkında yeni soruları da gündeme getiriyor.
Yapay zeka için önerilen en iyi uygulamalar
Yapay zeka sistemlerinin tasarlanması, insan odaklı bir yaklaşımla yazılım geliştirmenin en iyi uygulamalarını takip etmelidir.
ML'ye yaklaşım
Adalet
Yapay zekanın sektörler ve toplumlar üzerindeki etkisi arttıkça, herkes için adil ve kapsayıcı sistemler üzerinde çalışmak kritik önem taşıyor
Yorumlanabilirlik
Yapay zeka sistemlerini anlamak ve onlara güvenmek, onların amaçlandığı gibi çalışmasını sağlamak açısından önemlidir
Mahremiyet
Hassas verilerden yararlanan eğitim modelleri, gizliliği koruyan önlemlere ihtiyaç duyar
Güvenlik
Potansiyel tehditlerin belirlenmesi yapay zeka sistemlerinin emniyette ve emniyette 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 kimin için?
Gerçek kullanıcıların sisteminizi deneyimleme şekli, tahminlerin, önerilerin ve kararların gerçek etkisini değerlendirmek için çok önemlidir. Geliştirme sürecinizin başlarında çeşitli kullanıcı gruplarından girdi aldığınızdan emin olun.
Temsili bir veri kümesi mi kullanıyorum?
Verileriniz kullanıcılarınızı (örneğin her yaş için kullanılacak, ancak yalnızca yaşlı vatandaşlara ait eğitim verileriniz olacak) ve gerçek dünya ortamını (örneğin yıl boyunca kullanılacak ancak yalnızca eğitim verileriniz olacak) temsil edecek şekilde örneklenmiş mi? yaz verileri)?
Verilerimde gerçek dünya/insan önyargısı var mı?
Verilerde yatan önyargılar, mevcut stereotipleri güçlendiren karmaşık geri bildirim döngülerine katkıda bulunabilir.
Modelimi eğitmek için hangi yöntemleri kullanmalıyım?
Modele adalet, yorumlanabilirlik, gizlilik ve güvenlik katan eğitim yöntemlerini kullanın.
Modelimin performansı nasıl?
Geniş bir kullanıcı yelpazesi, kullanım senaryoları ve kullanım bağlamlarında kullanıcı deneyimini gerçek dünya senaryolarında değerlendirin. İlk olarak test sürümünde test edin ve yineleyin, ardından lansmandan sonra testlere devam edin.
Karmaşık geri bildirim döngüleri var mı?
Genel sistem tasarımındaki her şey dikkatle hazırlanmış olsa bile, ML tabanlı modeller gerçek, canlı verilere uygulandığında nadiren %100 mükemmellikle çalışır. Yayındaki bir üründe bir sorun ortaya çıktığında, bunun mevcut toplumsal dezavantajlarla uyumlu olup olmadığını ve hem kısa hem de uzun vadeli çözümlerden nasıl etkileneceğini değerlendirin.
TensorFlow için sorumlu yapay zeka araçları
TensorFlow ekosistemi, yukarıdaki soruların bazılarının üstesinden gelmeye yardımcı olacak bir araç ve kaynak paketine sahiptir.
Sorunu tanımlayın
Sorumlu yapay zekayı göz önünde bulundurarak modeller tasarlamak için aşağıdaki kaynakları kullanın.
Yapay zeka geliştirme süreci ve önemli hususlar hakkında daha fazla bilgi edinin.
Etkileşimli görselleştirmeler aracılığıyla Sorumlu Yapay Zeka alanındaki temel soruları ve kavramları keşfedin.
Verileri oluşturma ve hazırlama
Verileri olası önyargılara karşı incelemek için aşağıdaki araçları kullanın.
Veri kalitesini artırmak ve adalet ve önyargı sorunlarını azaltmak için veri kümenizi etkileşimli olarak araştırın.
Sorunları tespit etmek ve daha etkili özellik setleri oluşturmak için verileri analiz edin ve dönüştürün.
Veri toplama ve model oluşturma ihtiyaçlarınızı daha sağlam ve kapsayıcı hale getirmek için açık lisanslı, daha kapsayıcı bir cilt tonu ölçeği.
Modeli oluşturun ve eğitin
Gizliliği koruyan, yorumlanabilir teknikler ve daha fazlasını kullanarak modelleri eğitmek için aşağıdaki araçları kullanın.
Daha adil sonuçlar elde etmek için makine öğrenimi modellerini eğitin.
Birleştirilmiş öğrenme tekniklerini kullanarak makine öğrenimi modellerini eğitin.
Modeli değerlendir
Aşağıdaki araçları kullanarak model performansında hata ayıklayın, değerlendirin ve görselleştirin.
İkili ve çok sınıflı sınıflandırıcılar için yaygın olarak tanımlanan adalet ölçümlerini değerlendirin.
Modelleri dağıtılmış bir şekilde değerlendirin ve farklı veri dilimleri üzerinden hesaplama yapın.
Makine öğrenimi modellerini inceleyin, değerlendirin ve karşılaştırın.
Yorumlanabilir ve kapsayıcı makine öğrenimi modelleri geliştirin.
Sınıflandırma modellerinin gizlilik özelliklerini değerlendirin.
Dağıtın ve izleyin
Model bağlamını ve ayrıntılarını takip etmek ve bunlarla ilgili iletişim kurmak için aşağıdaki araçları kullanın.
Model Kartı araç setini kullanarak model kartlarını kolaylıkla oluşturun.
Makine öğrenimi geliştiricisi ve veri bilimcisi iş akışlarıyla ilişkili meta verileri kaydedin ve alın.
Makine öğreniminin temel gerçeklerini yapılandırılmış bir şekilde düzenleyin.
Topluluk kaynakları
Topluluğun neler yaptığını öğrenin ve dahil olmanın yollarını keşfedin.
Google ürünlerinin daha kapsayıcı olmasına ve dilinizi, bölgenizi ve kültürünüzü temsil etmesine yardımcı olun.
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.
ML, adalet ve gizlilik hakkında düşünmek için bir çerçeve sunuyoruz.