Restez organisé à l'aide des collections
Enregistrez et classez les contenus selon vos préférences.
TensorFlow s'engage à faire progresser le développement responsable de l'IA en partageant un ensemble de ressources et d'outils avec la communauté du machine learning.
Bonnes pratiques recommandées pour l'IA
La conception de systèmes d'IA doit respecter les bonnes pratiques en termes de développement logiciel, tout en adoptant une
Équité
L'IA ne cesse de gagner en importance dans tous les secteurs d'activités et au sein de la société. Il est donc essentiel de s'atteler à la mise en œuvre de systèmes qui soient équitables et qui s'adressent à tous.
Interprétabilité
Il est important de bien comprendre les systèmes d'IA et de leur faire confiance pour s'assurer qu'ils fonctionnent comme prévu
Confidentialité
L'utilisation de mesures de protection de la confidentialité est nécessaire pour entraîner des modèles à l'aide de données sensibles
Sécurité
Identifier les menaces potentielles peut contribuer à la sécurité et à la protection des systèmes d'IA
Définir un problème
Développer et préparer des données
Développer et entraîner un modèle
Évaluer le modèle
Déployer et surveiller
À qui mon système de ML est-il destiné ?
Les conditions d'utilisation réelles de votre système constituent un facteur essentiel
pour évaluer l'impact de ses prédictions, recommandations et décisions. Veillez à
obtenir des retours d'un large éventail d'utilisateurs dès le début de votre
processus de développement.
L'ensemble de données que j'utilise est-il représentatif ?
Vos données sont-elles échantillonnées de telle manière qu'elles représentent vos utilisateurs (par exemple, si elles
sont destinées à être utilisées pour toutes les tranches d'âges, mais que vous ne disposez que de données d'entraînement pour les personnes âgées)
et un environnement réel (par exemple, si elles sont destinées à être utilisées toute l'année, mais que vous
ne disposez que de données d'entraînement pour l'été) ?
Les données comportent-elles des biais réels/humains ?
La présence de biais sous-jacents dans les données peut donner lieu à des boucles de rétroaction complexes
qui renforcent les stéréotypes existants.
Quelles méthodes dois-je utiliser pour entraîner mon modèle ?
Utilisez des méthodes d'entraînement qui répondent au mieux aux problématiques d'équité, d'interprétabilité, de confidentialité et de sécurité du modèle.
Évaluez l'expérience utilisateur dans des scénarios réels sur un large éventail
d'utilisateurs, avec divers cas et contextes d'utilisation. Effectuez des tests et des itérations dans la version dogfood,
puis procédez à des tests continus après le lancement.
Y a-t-il des boucles de rétroaction complexes ?
Même si l'ensemble du système a été conçu avec soin,
il est rare que les modèles basés sur le ML fonctionnent parfaitement lorsqu'ils sont appliqués à des données
dynamiques réelles. Lorsqu'un problème survient dans un produit, déterminez
s'il correspond à des inégalités sociétales existantes,
et dans quelle mesure il sera affecté par des solutions à court et à long terme.
PAIR Explorables
Découvrez, par le biais de visualisations interactives, les principales questions et les concepts clés dans le domaine de la Responsible AI.
Know Your Data (Beta)
Analysez votre ensemble de données de manière interactive pour améliorer la qualité des données et réduire les problèmes d'équité et de biais.
TF Data Validation
Analysez et transformez les données pour détecter les problèmes et concevoir des ensembles de caractéristiques plus efficaces.
Fiches de données
Créez un rapport sur la transparence des informations pour votre ensemble de données.
Échelle de carnation Monk
Une palette de carnations plus large, sous licence ouverte, pour que votre collecte de données et votre création de modèles soient plus solides et inclusives.
TF Model Remediation
Entraînez des modèles de machine learning pour générer des résultats plus équitables.
TF Privacy
Entraînez des modèles de machine learning pour la confidentialité des données.
TF Federated
Entraînez des modèles de machine learning à l'aide de techniques d'apprentissage fédéré.
TF Lattice
Mettez en œuvre des modèles basés sur des réseaux flexibles, contrôlés et interprétables.
Indicateurs d'équité
Calculez des métriques d'équité couramment identifiées pour les classificateurs multiclasses et binaires.
TF Model Analysis
Évaluez des modèles de manière distribuée et effectuez des calculs sur différentes tranches de données.
What-If Tool
Examinez, évaluez et comparez les modèles de machine learning.
Explainable AI
Développez des modèles de machine learning interprétables et inclusifs.
TF Privacy Tests
Évaluez les propriétés de confidentialité des modèles de classification.
TensorBoard
Mesurez et visualisez le workflow de machine learning.
Métadonnées de ML
Enregistrez et récupérez les métadonnées associées aux workflows pour les data scientists et les développeurs ML.
Fiches modèles
Organisez de manière structurée les points essentiels concernant le machine learning.
Crowdsource de Google
Faites en sorte que les produits de Google soient plus inclusifs et plus représentatifs de votre langue, de votre région et de votre culture.
Responsible AI DevPost Challenge
Nous avons demandé aux participants de concevoir un modèle ou une application selon les principes Responsible AI grâce à TensorFlow 2.2. Consultez la galerie pour découvrir les gagnants ainsi que d'autres projets passionnants.
[{
"type": "thumb-down",
"id": "missingTheInformationINeed",
"label":"Il n'y a pas l'information dont j'ai besoin"
},{
"type": "thumb-down",
"id": "tooComplicatedTooManySteps",
"label":"Trop compliqué/Trop d'étapes"
},{
"type": "thumb-down",
"id": "outOfDate",
"label":"Obsolète"
},{
"type": "thumb-down",
"id": "translationIssue",
"label":"Problème de traduction"
},{
"type": "thumb-down",
"id": "samplesCodeIssue",
"label":"Mauvais exemple/Erreur de code"
},{
"type": "thumb-down",
"id": "otherDown",
"label":"Autre"
}]
[{
"type": "thumb-up",
"id": "easyToUnderstand",
"label":"Facile à comprendre"
},{
"type": "thumb-up",
"id": "solvedMyProblem",
"label":"J'ai pu résoudre mon problème"
},{
"type": "thumb-up",
"id": "otherUp",
"label":"Autre"
}]
