TensorFlow kullanarak Sorumlu Yapay Zeka uygulamalarını makine öğrenimi iş akışınıza nasıl entegre edeceğinizi öğrenin
TensorFlow, makine öğrenimi topluluğuyla bir kaynak ve araç koleksiyonunu paylaşarak yapay zekanın sorumlu bir şekilde geliştirilmesinde ilerleme kaydedilmesine yardımcı olmayı taahhüt eder.
Sorumlu AI nedir?
Yapay zekanın gelişimi, zorlu, gerçek dünya sorunlarını çözmek için yeni fırsatlar yaratıyor. Ayrıca, herkese fayda sağlayan yapay zeka sistemleri oluşturmanın en iyi yolu hakkında yeni sorular ortaya çıkarıyor.
AI için önerilen en iyi uygulamalar
AI sistemlerini tasarlamak, insan merkezli bir yaklaşım benimserken yazılım geliştirme en iyi uygulamalarını takip etmelidir.
makine öğrenimine yaklaşım
adalet
Yapay zekanın etkisi sektörler ve toplumlar genelinde arttıkça, adil ve herkesi kapsayıcı sistemlere doğru çalışmak kritik önem taşıyor.
yorumlanabilirlik
AI sistemlerini anlamak ve bunlara güvenmek, amaçlanan şekilde çalıştıklarından emin olmak için önemlidir.
Mahremiyet
Hassas verilerden arındırılmış eğitim modelleri, mahremiyeti koruyan önlemler gerektirir
Güvenlik
Potansiyel tehditleri belirlemek, yapay zeka sistemlerini güvenli ve güvenli tutmaya 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.
Makine öğrenimi sistemim kimin için?
Gerçek kullanıcıların sisteminizi deneyimleme şekli, sistemin tahminlerinin, tavsiyelerinin ve kararlarının gerçek etkisini değerlendirmek için çok önemlidir. Geliştirme sürecinizin başlarında çeşitli kullanıcılardan girdi aldığınızdan emin olun.
Temsili bir veri kümesi mi kullanıyorum?
Verileriniz, kullanıcılarınızı (örneğin, her yaş için kullanılacak, ancak yalnızca yaşlı vatandaşlardan alınan eğitim verileriniz var) ve gerçek dünya ortamını (örneğin, yıl boyunca kullanılacak, ancak yalnızca eğitiminiz olacak) temsil edecek şekilde mi örnekleniyor? yaz verileri)?
Verilerimde gerçek dünya/insan önyargısı var mı?
Verilerdeki temel önyargılar, mevcut klişeleri güçlendiren karmaşık geri bildirim döngülerine katkıda bulunabilir.
Modelimi eğitmek için hangi yöntemleri kullanmalıyım?
Modelde adalet, yorumlanabilirlik, gizlilik ve güvenlik oluşturan eğitim yöntemlerini kullanın.
Modelimin performansı nasıl?
Geniş bir kullanıcı yelpazesinde, kullanım durumlarında ve kullanım bağlamlarında gerçek dünya senaryolarında kullanıcı deneyimini değerlendirin. Önce test sürümünde test edin ve yineleyin, ardından lansmandan sonra sürekli test yapın.
Karmaşık geri bildirim döngüleri var mı?
Genel sistem tasarımındaki her şey özenle hazırlanmış olsa bile, makine öğrenimi tabanlı modeller gerçek, canlı verilere uygulandığında nadiren %100 mükemmellikle çalışır. Canlı bir üründe bir sorun meydana geldiğinde, 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 gelmenize yardımcı olacak bir dizi araç ve kaynağa sahiptir.
sorunu tanımla
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 oluşturun ve hazırlayın
Verileri olası önyargılara karşı incelemek için aşağıdaki araçları kullanın.
Veri kalitesini iyileştirmek ve adalet ve önyargı sorunlarını azaltmak için veri kümenizi etkileşimli olarak araştırın.
Sorunları tespit etmek ve daha etkili özellik kümeleri oluşturmak için verileri analiz edin ve dönüştürün.
Veri toplama ve model oluşturma ihtiyaçlarınızı daha sağlam ve kapsayıcı hale getirmek için daha kapsayıcı bir cilt tonu ölçeği, açık lisans.
Model oluşturun ve eğitin
Gizliliği koruyan, yorumlanabilir teknikler ve daha fazlasını kullanarak modelleri eğitmek için aşağıdaki araçları kullanın.
Daha adil sonuçları teşvik etmek için makine öğrenimi modellerini eğitin.
Birleştirilmiş öğrenme tekniklerini kullanarak makine öğrenimi modellerini eğitin.
Esnek, kontrollü ve yorumlanabilir kafes tabanlı modeller uygulayın.
Modeli değerlendir
Aşağıdaki araçları kullanarak model performansında hata ayıklayın, değerlendirin ve görselleştirin.
İkili ve çok sınıflı sınıflandırıcılar için yaygın olarak tanımlanan adillik ölçümlerini değerlendirin.
Modelleri dağıtılmış bir şekilde değerlendirin ve farklı veri dilimleri üzerinde hesaplama yapın.
Makine öğrenimi modellerini inceleyin, değerlendirin ve karşılaştırın.
Yorumlanabilir ve kapsayıcı makine öğrenimi modelleri geliştirin.
Sınıflandırma modellerinin mahremiyet özelliklerini değerlendirin.
Dağıtın ve izleyin
Model bağlamı ve ayrıntılarını takip etmek ve bunlarla ilgili iletişim kurmak için aşağıdaki araçları kullanın.
Model Card araç setini kullanarak kolaylıkla model kartları 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'ın ürünlerinin dilinizi, bölgenizi ve kültürünüzü daha kapsayıcı ve temsil edici hale gelmesine 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.
Makine öğrenimi, adalet ve mahremiyet hakkında düşünmek için bir çerçeve sunuyoruz.