หน้านี้ได้รับการแปลโดย Cloud Translation API

เรียนรู้วิธีบูรณาการแนวทางปฏิบัติ AI ที่มีความรับผิดชอบเข้ากับเวิร์กโฟลว์ ML ของคุณโดยใช้ TensorFlow

TensorFlow มุ่งมั่นที่จะช่วยสร้างความก้าวหน้าในการพัฒนา AI อย่างรับผิดชอบด้วยการแบ่งปันคอลเลกชันทรัพยากรและเครื่องมือกับชุมชน ML

AI ที่มีความรับผิดชอบคืออะไร?

การพัฒนา AI กำลังสร้างโอกาสใหม่ในการแก้ปัญหาที่ท้าทายในโลกแห่งความเป็นจริง นอกจากนี้ยังก่อให้เกิดคำถามใหม่ๆ เกี่ยวกับวิธีที่ดีที่สุดในการสร้างระบบ AI ที่เป็นประโยชน์ต่อทุกคน

แนวทางปฏิบัติที่ดีที่สุดที่แนะนำสำหรับ AI

การออกแบบระบบ AI ควรเป็นไปตามแนวทางปฏิบัติที่ดีที่สุดในการพัฒนาซอฟต์แวร์โดยคำนึงถึงมนุษย์เป็นศูนย์กลาง
แนวทางสู่ ML

ความเป็นธรรม

เนื่องจากผลกระทบของ AI เพิ่มขึ้นทั่วทั้งภาคส่วนและสังคม จึงจำเป็นอย่างยิ่งที่จะต้องทำงานต่อระบบที่ยุติธรรมและครอบคลุมทุกคน

การตีความ

การทำความเข้าใจและไว้วางใจระบบ AI เป็นสิ่งสำคัญเพื่อให้แน่ใจว่าระบบทำงานตามที่ตั้งใจไว้

ความเป็นส่วนตัว

โมเดลการฝึกอบรมจากข้อมูลที่ละเอียดอ่อนจำเป็นต้องมีการปกป้องความเป็นส่วนตัว

ความปลอดภัย

การระบุภัยคุกคามที่อาจเกิดขึ้นสามารถช่วยให้ระบบ AI ปลอดภัยได้

AI ที่มีความรับผิดชอบในเวิร์กโฟลว์ ML ของคุณ

แนวทางปฏิบัติด้าน AI ที่มีความรับผิดชอบสามารถนำมารวมไว้ในทุกขั้นตอนของเวิร์กโฟลว์ ML ต่อไปนี้เป็นคำถามสำคัญที่ควรพิจารณาในแต่ละขั้นตอน

กำหนดปัญหา สร้างและจัดเตรียมข้อมูล สร้างและฝึกโมเดล ประเมินแบบจำลอง ปรับใช้และตรวจสอบ

ระบบ ML ของฉันเหมาะกับใคร?

วิธีที่ผู้ใช้จริงสัมผัสระบบของคุณเป็นสิ่งสำคัญในการประเมินผลกระทบที่แท้จริงของการคาดการณ์ คำแนะนำ และการตัดสินใจ ตรวจสอบให้แน่ใจว่าได้รับข้อมูลจากกลุ่มผู้ใช้ที่หลากหลายตั้งแต่เนิ่นๆ ในกระบวนการพัฒนาของคุณ

ฉันใช้ชุดข้อมูลตัวแทนหรือไม่

ข้อมูลของคุณถูกสุ่มตัวอย่างในลักษณะที่แสดงถึงผู้ใช้ของคุณ (เช่น จะถูกใช้สำหรับทุกวัย แต่คุณมีข้อมูลการฝึกอบรมจากผู้สูงอายุเท่านั้น) และในสภาพแวดล้อมจริง (เช่น จะถูกใช้ตลอดทั้งปี แต่คุณมีเพียงการฝึกอบรมเท่านั้น ข้อมูลจากฤดูร้อน)?

ข้อมูลของฉันมีอคติในโลกแห่งความเป็นจริง/มนุษย์หรือไม่

อคติที่ซ่อนอยู่ในข้อมูลสามารถทำให้เกิดวงจรป้อนกลับที่ซับซ้อนซึ่งช่วยเสริมทัศนคติแบบเหมารวมที่มีอยู่ได้

ฉันควรใช้วิธีใดในการฝึกโมเดลของฉัน

ใช้วิธีการฝึกอบรมที่สร้างความยุติธรรม ตีความได้ ความเป็นส่วนตัว และความปลอดภัยให้กับโมเดล

โมเดลของฉันทำงานเป็นอย่างไรบ้าง

ประเมินประสบการณ์ผู้ใช้ในสถานการณ์จริงในกลุ่มผู้ใช้ กรณีการใช้งาน และบริบทการใช้งานในวงกว้าง ทดสอบและทำซ้ำในการลองใช้ก่อน ตามด้วยการทดสอบต่อเนื่องหลังการเปิดตัว

มีวงจรป้อนกลับที่ซับซ้อนหรือไม่?

แม้ว่าทุกอย่างในการออกแบบระบบโดยรวมจะถูกสร้างขึ้นมาอย่างพิถีพิถัน แต่โมเดลที่ใช้ ML ก็แทบจะไม่ทำงานได้สมบูรณ์แบบ 100% เมื่อนำไปใช้กับข้อมูลจริงที่เป็นปัจจุบัน เมื่อเกิดปัญหาในผลิตภัณฑ์ที่ใช้งานจริง ให้พิจารณาว่าปัญหานั้นสอดคล้องกับข้อเสียเปรียบทางสังคมที่มีอยู่หรือไม่ และจะได้รับผลกระทบอย่างไรจากวิธีแก้ปัญหาทั้งระยะสั้นและระยะยาว

คู่มือผู้คน + การวิจัย AI (PAIR)

เรียนรู้เพิ่มเติมเกี่ยวกับกระบวนการพัฒนา AI และข้อควรพิจารณาที่สำคัญ

เรียนรู้วิธีบูรณาการแนวทางปฏิบัติ AI ที่มีความรับผิดชอบเข้ากับเวิร์กโฟลว์ ML ของคุณโดยใช้ TensorFlow