Zadbaj o dobrą organizację dzięki kolekcji
Zapisuj i kategoryzuj treści zgodnie ze swoimi preferencjami.
Dowiedz się, jak zintegrować praktyki odpowiedzialnej sztucznej inteligencji z przepływem pracy ML za pomocą TensorFlow TensorFlow angażuje się w pomoc w postępie w odpowiedzialnym rozwoju sztucznej inteligencji, udostępniając zbiór zasobów i narzędzi społeczności ML.
Zalecane najlepsze praktyki dotyczące sztucznej inteligencji Projektowanie systemów sztucznej inteligencji powinno odbywać się zgodnie z najlepszymi praktykami w zakresie tworzenia oprogramowania, jednocześnie skupiając się na człowieku
Uczciwość Ponieważ wpływ sztucznej inteligencji wzrasta w różnych sektorach i społeczeństwach, niezwykle istotne jest działanie na rzecz systemów, które będą sprawiedliwe i włączające dla wszystkich
Interpretowalność Zrozumienie systemów sztucznej inteligencji i zaufanie do nich jest ważne, aby mieć pewność, że działają zgodnie z przeznaczeniem
Prywatność Modele szkoleniowe na podstawie wrażliwych danych wymagają zabezpieczeń chroniących prywatność
Bezpieczeństwo Identyfikacja potencjalnych zagrożeń może pomóc w zapewnieniu bezpieczeństwa systemów AI
Zdefiniuj problem Konstruuj i przygotowuj dane Buduj i trenuj model Oceń model Wdrażaj i monitoruj
Dla kogo jest mój system ML? Sposób, w jaki faktyczni użytkownicy korzystają z systemu, jest niezbędny do oceny prawdziwego wpływu jego przewidywań, rekomendacji i decyzji. Upewnij się, że już na początku procesu tworzenia oprogramowania uzyskasz informacje od zróżnicowanej grupy użytkowników.
Czy używam reprezentatywnego zbioru danych? Czy Twoje dane są próbkowane w sposób reprezentujący użytkowników (np. będą wykorzystywane w przypadku wszystkich grup wiekowych, ale masz tylko dane dotyczące szkoleń od seniorów) i ustawienia w świecie rzeczywistym (np. będą wykorzystywane przez cały rok, ale masz tylko dane dotyczące szkoleń? dane z lata)?
Czy moje dane zawierają błędy związane ze światem rzeczywistym/ludzkim? Podstawowe błędy w danych mogą przyczyniać się do powstawania złożonych pętli sprzężenia zwrotnego, które wzmacniają istniejące stereotypy.
Jakich metod powinienem użyć do szkolenia mojego modelu? Stosuj metody szkoleniowe, które budują w modelu uczciwość, interpretowalność, prywatność i bezpieczeństwo.
Oceń doświadczenie użytkownika w rzeczywistych scenariuszach w szerokim spektrum użytkowników, przypadków użycia i kontekstów użycia. Najpierw przetestuj i wykonaj iteracje w wersji testowej, a następnie kontynuuj testowanie po uruchomieniu.
Czy istnieją złożone pętle informacji zwrotnej? Nawet jeśli wszystko w ogólnym projekcie systemu zostało starannie zaprojektowane, modele oparte na uczeniu maszynowym rzadko działają ze 100% perfekcją w zastosowaniu do rzeczywistych, bieżących danych. Kiedy problem pojawia się w działającym produkcie, zastanów się, czy jest on zgodny z istniejącymi wadami społecznymi i jaki wpływ na niego będą miały rozwiązania krótko- i długoterminowe.
PARA Odkrywcze Poznaj, za pomocą interaktywnych wizualizacji, kluczowe pytania i koncepcje w dziedzinie odpowiedzialnej sztucznej inteligencji.
Poznaj swoje dane (beta) Interaktywnie badaj swój zbiór danych, aby poprawić jakość danych i złagodzić problemy związane z uczciwością i stronniczością.
Walidacja danych TF Analizuj i przekształcaj dane, aby wykrywać problemy i opracowywać bardziej efektywne zestawy funkcji.
Karty danych Utwórz raport przejrzystości dla swojego zbioru danych.
Skala odcieni skóry mnicha (MST) Bardziej inkluzywna skala odcieni skóry, dostępna na otwartej licencji, dzięki której gromadzenie danych i budowanie modeli będą bardziej niezawodne i włączające.
Naprawa modelu TF Trenuj modele uczenia maszynowego, aby promować bardziej sprawiedliwe wyniki.
Prywatność TF Trenuj modele uczenia maszynowego z zachowaniem prywatności.
Federacja TF Trenuj modele uczenia maszynowego przy użyciu technik uczenia się stowarzyszonego.
Krata TF Wdrażaj elastyczne, kontrolowane i interpretowalne modele oparte na kratach.
Analiza modelu TF Oceniaj modele w sposób rozproszony i przeprowadzaj obliczenia na różnych wycinkach danych.
Płyta Tensor Mierz i wizualizuj przepływ pracy w uczeniu maszynowym.
Metadane ML Rejestruj i pobieraj metadane powiązane z przepływami pracy programistów ML i analityków danych.
Karty modeli Uporządkuj podstawowe fakty dotyczące uczenia maszynowego w ustrukturyzowany sposób.
Crowdsource od Google Pomóż usługom Google stać się bardziej włączającymi i reprezentatywnymi dla Twojego języka, regionu i kultury.
Odpowiedzialne wyzwanie AI DevPost Poprosiliśmy uczestników, aby wykorzystali TensorFlow 2.2 do zbudowania modelu lub aplikacji z uwzględnieniem zasad odpowiedzialnej sztucznej inteligencji. Zajrzyj do galerii, aby zobaczyć zwycięzców i inne niesamowite projekty.
,
Dowiedz się, jak zintegrować praktyki odpowiedzialnej sztucznej inteligencji z przepływem pracy ML za pomocą TensorFlow TensorFlow angażuje się w pomoc w postępie w odpowiedzialnym rozwoju sztucznej inteligencji, udostępniając zbiór zasobów i narzędzi społeczności ML.
Zalecane najlepsze praktyki dotyczące sztucznej inteligencji Projektowanie systemów sztucznej inteligencji powinno odbywać się zgodnie z najlepszymi praktykami w zakresie tworzenia oprogramowania, jednocześnie skupiając się na człowieku
Uczciwość Ponieważ wpływ sztucznej inteligencji wzrasta w różnych sektorach i społeczeństwach, niezwykle istotne jest działanie na rzecz systemów, które będą sprawiedliwe i włączające dla wszystkich
Interpretowalność Zrozumienie systemów sztucznej inteligencji i zaufanie do nich jest ważne, aby mieć pewność, że działają zgodnie z przeznaczeniem
Prywatność Modele szkoleniowe na podstawie wrażliwych danych wymagają zabezpieczeń chroniących prywatność
Bezpieczeństwo Identyfikacja potencjalnych zagrożeń może pomóc w zapewnieniu bezpieczeństwa systemów AI
Zdefiniuj problem Konstruuj i przygotowuj dane Buduj i trenuj model Oceń model Wdrażaj i monitoruj
Dla kogo jest mój system ML? Sposób, w jaki faktyczni użytkownicy korzystają z systemu, jest niezbędny do oceny prawdziwego wpływu jego przewidywań, rekomendacji i decyzji. Upewnij się, że na początku procesu tworzenia oprogramowania uzyskasz informacje od zróżnicowanej grupy użytkowników.
Czy używam reprezentatywnego zbioru danych? Czy Twoje dane są próbkowane w sposób reprezentujący użytkowników (np. będą wykorzystywane w przypadku wszystkich grup wiekowych, ale masz tylko dane dotyczące szkoleń od seniorów) i ustawienia w świecie rzeczywistym (np. będą wykorzystywane przez cały rok, ale masz tylko dane dotyczące szkoleń? dane z lata)?
Czy moje dane zawierają błędy związane ze światem rzeczywistym/ludzkim? Podstawowe błędy w danych mogą przyczyniać się do powstawania złożonych pętli sprzężenia zwrotnego, które wzmacniają istniejące stereotypy.
Jakich metod powinienem użyć do szkolenia mojego modelu? Stosuj metody szkoleniowe, które budują w modelu uczciwość, interpretowalność, prywatność i bezpieczeństwo.
Oceń doświadczenie użytkownika w rzeczywistych scenariuszach w szerokim spektrum użytkowników, przypadków użycia i kontekstów użycia. Najpierw przetestuj i wykonaj iteracje w wersji testowej, a następnie kontynuuj testowanie po uruchomieniu.
Czy istnieją złożone pętle informacji zwrotnej? Nawet jeśli wszystko w ogólnym projekcie systemu zostało starannie zaprojektowane, modele oparte na uczeniu maszynowym rzadko działają ze 100% perfekcją w zastosowaniu do rzeczywistych, bieżących danych. Kiedy problem pojawia się w działającym produkcie, zastanów się, czy jest on zgodny z istniejącymi wadami społecznymi i jaki wpływ na niego będą miały rozwiązania krótko- i długoterminowe.
PARA Odkrywcze Poznaj, za pomocą interaktywnych wizualizacji, kluczowe pytania i koncepcje w dziedzinie odpowiedzialnej sztucznej inteligencji.
Poznaj swoje dane (beta) Interaktywnie badaj swój zbiór danych, aby poprawić jakość danych i złagodzić problemy związane z uczciwością i stronniczością.
Walidacja danych TF Analizuj i przekształcaj dane, aby wykrywać problemy i opracowywać bardziej efektywne zestawy funkcji.
Karty danych Utwórz raport przejrzystości dla swojego zbioru danych.
Skala odcieni skóry mnicha (MST) Bardziej inkluzywna skala odcieni skóry, dostępna na otwartej licencji, dzięki której gromadzenie danych i budowanie modeli będą bardziej niezawodne i włączające.
Naprawa modelu TF Trenuj modele uczenia maszynowego, aby promować bardziej sprawiedliwe wyniki.
Prywatność TF Trenuj modele uczenia maszynowego z zachowaniem prywatności.
Federacja TF Trenuj modele uczenia maszynowego przy użyciu technik uczenia się stowarzyszonego.
Krata TF Wdrażaj elastyczne, kontrolowane i interpretowalne modele oparte na kratach.
Analiza modelu TF Oceniaj modele w sposób rozproszony i przeprowadzaj obliczenia na różnych wycinkach danych.
Płyta Tensor Mierz i wizualizuj przepływ pracy w uczeniu maszynowym.
Metadane ML Rejestruj i pobieraj metadane powiązane z przepływami pracy programistów ML i analityków danych.
Karty modeli Uporządkuj podstawowe fakty dotyczące uczenia maszynowego w ustrukturyzowany sposób.
Crowdsource od Google Pomóż usługom Google stać się bardziej włączającymi i reprezentatywnymi dla Twojego języka, regionu i kultury.
Odpowiedzialne wyzwanie AI DevPost Poprosiliśmy uczestników, aby wykorzystali TensorFlow 2.2 do zbudowania modelu lub aplikacji z uwzględnieniem zasad odpowiedzialnej sztucznej inteligencji. Zajrzyj do galerii, aby zobaczyć zwycięzców i inne niesamowite projekty.
[{
"type": "thumb-down",
"id": "missingTheInformationINeed",
"label":"Brak potrzebnych mi informacji"
},{
"type": "thumb-down",
"id": "tooComplicatedTooManySteps",
"label":"Zbyt skomplikowane / zbyt wiele czynności do wykonania"
},{
"type": "thumb-down",
"id": "outOfDate",
"label":"Nieaktualne treści"
},{
"type": "thumb-down",
"id": "translationIssue",
"label":"Problem z tłumaczeniem"
},{
"type": "thumb-down",
"id": "samplesCodeIssue",
"label":"Problem z przykładami/kodem"
},{
"type": "thumb-down",
"id": "otherDown",
"label":"Inne"
}]
[{
"type": "thumb-up",
"id": "easyToUnderstand",
"label":"Łatwo zrozumieć"
},{
"type": "thumb-up",
"id": "solvedMyProblem",
"label":"Rozwiązało to mój problem"
},{
"type": "thumb-up",
"id": "otherUp",
"label":"Inne"
}]
