Obtenga más información sobre el proceso de desarrollo de la IA y las consideraciones clave.

Explore, a través de visualizaciones interactivas, preguntas y conceptos clave en el ámbito de la IA responsable.

Investigue de forma interactiva su conjunto de datos para mejorar la calidad de los datos y mitigar los problemas de equidad y sesgo.

Analice y transforme datos para detectar problemas y diseñar conjuntos de funciones más eficaces.

Cree un informe de transparencia para su conjunto de datos.

Una escala de tono de piel más inclusiva, con licencia abierta, para que sus necesidades de recopilación de datos y creación de modelos sean más sólidas e inclusivas.

Entrene modelos de aprendizaje automático para promover resultados más equitativos.

Entrene modelos de aprendizaje automático con privacidad.

Entrene modelos de aprendizaje automático utilizando técnicas de aprendizaje federado.

Optimizar los problemas restringidos por la desigualdad.

Implemente modelos basados ​​en celosías flexibles, controlados e interpretables.

Evalúe métricas de equidad comúnmente identificadas para clasificadores binarios y de clases múltiples.

Evalúe modelos de forma distribuida y calcule sobre diferentes sectores de datos.

Examinar, evaluar y comparar modelos de aprendizaje automático.

Visualizar y comprender modelos de PNL.

Desarrollar modelos de aprendizaje automático interpretables e inclusivos.

Evaluar las propiedades de privacidad de los modelos de clasificación.

Mida y visualice el flujo de trabajo del aprendizaje automático.

Genere tarjetas modelo con facilidad utilizando el kit de herramientas Model Card.

Registre y recupere metadatos asociados con los flujos de trabajo de desarrolladores de ML y científicos de datos.

Organice los hechos esenciales del aprendizaje automático de forma estructurada.

Obtenga más información sobre el proceso de desarrollo de la IA y las consideraciones clave.

Explore, a través de visualizaciones interactivas, preguntas y conceptos clave en el ámbito de la IA responsable.

Investigue de forma interactiva su conjunto de datos para mejorar la calidad de los datos y mitigar los problemas de equidad y sesgo.

Analice y transforme datos para detectar problemas y diseñar conjuntos de funciones más eficaces.

Cree un informe de transparencia para su conjunto de datos.

Una escala de tono de piel más inclusiva, con licencia abierta, para que sus necesidades de recopilación de datos y creación de modelos sean más sólidas e inclusivas.

Entrene modelos de aprendizaje automático para promover resultados más equitativos.

Entrene modelos de aprendizaje automático con privacidad.

Entrene modelos de aprendizaje automático utilizando técnicas de aprendizaje federado.

Optimizar los problemas restringidos por la desigualdad.

Implemente modelos basados ​​en celosías flexibles, controlados e interpretables.

Evalúe métricas de equidad comúnmente identificadas para clasificadores binarios y de clases múltiples.

Evalúe modelos de forma distribuida y calcule sobre diferentes sectores de datos.

Examinar, evaluar y comparar modelos de aprendizaje automático.

Visualizar y comprender modelos de PNL.

Desarrollar modelos de aprendizaje automático interpretables e inclusivos.

Evaluar las propiedades de privacidad de los modelos de clasificación.

Mida y visualice el flujo de trabajo del aprendizaje automático.

Genere tarjetas modelo con facilidad utilizando el kit de herramientas Model Card.

Registre y recupere metadatos asociados con los flujos de trabajo de desarrolladores de ML y científicos de datos.

Organice los hechos esenciales del aprendizaje automático de forma estructurada.