瞭解如何使用 TensorFlow，將 Responsible AI 的做法整合至機器學習工作流程
TensorFlow 透過提供機器學習社群一系列的資源與工具，協助落實 Responsible AI 的理念與做法。
什麼是 Responsible AI？
AI 發展提供了新機會，可以用來解決現實世界中具有挑戰性的問題，於此同時也引發新的疑問，讓我們思考如何能有效建構可以造福所有人的 AI 系統。
建議的 AI 最佳做法
設計 AI 系統時應遵循軟體開發最佳做法，並且採用以人為本的方法運用機器學習技術
公平性
隨著 AI 對於各領域和社會的影響逐漸增加，建立公平且可包容所有人的系統至關重要
可解釋性
我們必須瞭解及信任 AI 系統，才能確保系統能夠如預期般運作
隱私權
利用機密資料訓練模型時，需要妥善保護隱私權
安全性
辨識潛在威脅有助於維持 AI 系統安全
機器學習工作流程中的 Responsible AI
可在機器學習工作流程中的每個步驟納入 Responsible AI 的做法。以下是每個階段要考量的一些重要問題。
我的機器學習系統是為誰而設計？
使用者實際體驗系統的方式，對於評估 機器學習系統預測、建議及決策的真實作用十分重要。請務必 在 開發過程中，儘早取得各類型使用者提出的意見。
我使用的資料集是否具有充分代表性？
你的資料取樣方式是否可代表使用者 (例如：將用於
所有年齡層，但你只有銀髮族的訓練資料)
，以及是否符合現實環境情況 (例如：將使用一整年，但你只有
夏季的訓練資料)？
我的資料中存在現實環境偏誤/人類認知偏誤嗎？
資料中的潛在偏誤可能會形成複雜的回饋循環， 加深既有的刻板印象。
我應該使用什麼方法訓練模型？
使用可在模型中建構公平性、可解釋性、隱私和
安全性的訓練方法。
我的模型成效如何？
針對現實環境裡的各類 使用者、用途和使用情境，評估使用者體驗。先進行 Dogfood 測試並從中疊代， 然後在發布後持續執行測試作業。
是否存在複雜的回饋循環？
即使整體系統設計經過悉心規劃， 以機器學習為基礎的模型在套用到 真實的動態資料時，很少能夠完美運作。當實際使用的產品發生問題時，請思考 該問題是否與任何弱勢族群議題相呼應，並考量 短期和長期解決方案對於該問題的影響。
適用於 TensorFlow 的 Responsible AI 工具
TensorFlow 生態系統擁有一整套工具和資源，可協助解決部分上述問題。
界定問題
使用下列資源，設計出蘊含 Responsible AI 原則的模型。
建構及準備資料
使用下列工具檢查資料，找出潛在偏誤。
建構及訓練模型
使用下列工具訓練包含隱私權保護、可解釋技巧及更多內容的模型。
評估模型
使用下列工具偵錯、評估並以視覺化的方式呈現模型效能。
部署及監控
使用下列工具追蹤及溝通模型的情境和詳細資料。
社群資源
瞭解社群動態並探索參與方式。
我們請參與者使用 TensorFlow 2.2 建構蘊含 Responsible AI 原則的模型或應用程式。如要查看優勝者及其他精彩的專案，請參閱圖片庫。
