Sync translations with latest source changes.
Languages: Chinese (Traditional, Macau) [zh-MO], Chinese (Traditional, Hong Kong) [zh-HK], Chinese (Traditional, Taiwan) [zh-TW]
在本課程中，你將開始了解機器學習如何影響並正在影響我們的日常生活。即使是現在，系統和模型已經參與了每天的決策任務，例如醫療診斷、貸款審批或詐騙偵測。因此，確保這些模型運作良好，提供值得信賴的結果非常重要。就像任何軟件應用程序一樣，AI 系統也可能未達預期或產生不理想的結果。因此，理解並解釋 AI 模型的行為至關重要。
[](https://youtu.be/dnC8-uUZXSc "Microsoft's Approach to Responsible AI")
AI 系統應公平對待每個人，避免以不同方式影響相似群體。例如，當 AI 系統提供醫療治療建議、貸款申請或就業建議時，應對所有具有相似症狀、財務狀況或專業資格的人做出相同的建議。我們每個人身上皆帶有影響決策與行動的固有偏見。這些偏見可能反映在用來訓練 AI 系統的資料中。這種偏見有時是無意中造成的，往往難以有意識地察覺自己在資料中引入了偏見。
為建立信任，AI 系統需在正常與異常條件下均可靠、安全且一致。了解 AI 系統在各種情況，尤其是異常值下的行為至關重要。建立 AI 解決方案時，需高度關注如何處理 AI 解決方案可能遇到的各種情況。例如，自駕車必須將人員安全擺在首位。因此，驅動該車的 AI 需要考慮所有可能遇到的場景，如夜間、雷暴大風雪、街上奔跑的孩童、寵物、道路施工等。AI 系統能可靠且安全處理多樣情況，反映出資料科學家或 AI 開發者在設計或測試系統時的預期程度。
AI 系統應安全且尊重個人隱私。人們對那些危及隱私、資訊或生命的系統信任度較低。訓練機器學習模型時，我們仰賴資料來產生最佳結果，因此需考慮資料的來源與完整性。例如，資料是用戶提交的還是公開可用？在處理資料時，也必須開發能保護機密資訊並抵禦攻擊的 AI 系統。隨著 AI 越來越普及，保護隱私和資訊安全變得更為重要且複雜。對 AI 而言，隱私與資料安全議題需特別注意，因為 AI 依賴資料來做出準確且有根據的預測和決策。
AI 系統應易於理解。透明度的關鍵部分是解釋 AI 系統及其組件的行為。提升對 AI 系統的理解，需要持份者明白系統如何運作以及背後原因，以識別潛在的性能問題、安全與隱私疑慮、偏見、排他性慣例或非預期結果。我們也相信 AI 使用者應誠實並公開說明何時、為何及如何選擇部署 AI 系統，以及他們使用系統的限制。例如，銀行使用 AI 系統支援消費貸款決策時，檢視結果並了解哪些資料影響系統建議非常重要。政府正開始跨產業對 AI 進行監管，資料科學家和組織必須說明 AI 系統是否符合監管要求，尤其是在出現不理想結果時。
設計和部署 AI 系統的人必須對系統的運作負責。責任制尤其在敏感技術（如臉部辨識）中尤為重要。近年來，臉部辨識技術需求日增，尤其是執法機構視其可用於尋找失蹤兒童等用途。然而，這項技術可能被政府用來危害公民的基本自由，例如對特定個體實施持續監控。因此，資料科學家與組織需要對 AI 系統對個人或社會的影響負責。
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft's Approach to Responsible AI")
如同除錯軟體應用程序，AI 系統除錯是識別及解決系統問題的必要過程。多種因素會影響模型表現不符合預期或負責任。大多數傳統模型性能指標是模型表現的量化彙總，無法充分分析模型如何違反負責任 AI 原則。此外，機器學習模型是黑盒，難以理解驅動結果的原因或當出錯時解釋原因。本課程稍後我們將學習如何使用負責任 AI 儀表板協助除錯 AI 系統。該儀表板為資料科學家和 AI 開發者提供全面工具，以進行：
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: An open-source framework for building responsible AI")
2. **安裝 Visual Studio Code**。確保你的電腦已安裝 Visual Studio Code。按照這些指引完成 [Visual Studio Code 的基本安裝](https://code.visualstudio.com/)。在本課程中，你將在 Visual Studio Code 中使用 Python，因此建議熟悉如何為 Python 開發 [配置 Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott)。
2. **安裝 Visual Studio Code**。確保你的電腦已安裝 Visual Studio Code。遵循此說明[安裝 Visual Studio Code](https://code.visualstudio.com/)完成基礎安裝。因為你會在這課程中使用 Python，所以建議熟悉如何[為 Python 開發設定 Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott)。
✅ 想一想數據與回歸目標之間的關係。線性回歸預測特徵 X 和目標變量 y 之間的關係。你能在文檔中找到糖尿病數據集的[目標](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset)嗎？這個數據集展示了什麼？
✅ 想想資料與迴歸目標之間的關係。線性迴歸預測特徵 X 與目標變數 y 的關係。你能在說明文檔找到糖尿病資料集的[目標](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset)是什麼嗎？這資料集想展示什麼？
在這個課程中，你將開始了解機器學習如何影響我們的日常生活。即使在現在，系統和模型已經參與到日常決策任務中，例如健康診斷、貸款審核或詐騙偵測。因此，這些模型必須運作良好，才能提供值得信賴的結果。就像任何軟體應用一樣，AI 系統有時會未達期望或產生不理想的結果。這就是為什麼理解並解釋 AI 模型的行為至關重要的原因。
AI 系統應公平對待每個人，避免對類似群體產生不同影響。例如，當 AI 系統提供醫療治療建議、貸款申請或就業指導時，應對具有相似症狀、財務狀況或專業資格的每個人給出相同建議。我們每個人都帶有影響決策的天生偏見，而這些偏見也可能反映在用於訓練 AI 系統的數據中。這種偏差有時是無意中產生的，通常很難有意識地察覺到數據中引入了偏見。
為了建立信任，AI 系統需要在正常及異常狀況下都能可靠、安全且一致地運作。重要的是要知道 AI 系統在各種情境下如何表現，特別是異常狀況。在建構 AI 解決方案時，必須大量關注如何處理 AI 解決方案可能遇到的多樣化狀況。例如，一輛自駕車必須將人的安全列為首要任務。因此，推動該車的 AI 需考慮所有可能遇到的場景，如夜間、雷雨或暴風雪、小孩奔跑穿越街道、寵物、道路施工等。AI 系統能多可靠安全地處理廣泛條件，反映了資料科學家或 AI 開發者在設計或測試時的預見程度。
AI 系統應設計成能夠讓每個人都能參與和賦能。在設計與部署 AI 系統時，資料科學家與 AI 開發者會辨識並解決系統中可能無意排除人群的障礙。例如，全球有 10 億殘疾人士。隨著 AI 的進步，他們能更輕鬆地在日常生活中獲取廣泛的資訊與機會。通過排除障礙，創造了創新並開發出更佳用戶體驗的 AI 產品，有益於所有人。
AI 系統應安全且尊重個人隱私。人們對危及其隱私、資訊或生命安全的系統信任度較低。訓練機器學習模型時，我們依賴資料以取得最佳結果。這過程中必須考慮資料的來源和正確性。例如，資料是用戶提交或公開取得的？同時，使用資料時，開發能保護機密資訊且具抵抗攻擊能力的 AI 系統十分關鍵。隨著 AI 越來越普及，保護隱私並確保重要個人與商業資訊安全變得更為重要且複雜。隱私與資料安全問題在 AI 領域尤其需要嚴密關注，因為 AI 系統需存取資料才能對人民作出準確且明智的預測與決策。
AI 系統應該是可理解的。透明度的重要部分是解釋 AI 系統及其組件的行為。提升對 AI 系統的理解需要相關利害關係者明白系統如何及為何運作，以便辨識潛在的效能問題、安全及隱私疑慮、偏見、排他性措施或非預期結果。我們也相信使用 AI 系統的人應誠實且公開何時、為何及如何選擇部署，並說明所使用系統的限制。例如，銀行若用 AI 系統支持其消費貸款決策，就必須檢視結果並理解哪些數據影響系統建議。政府開始對產業中的 AI 進行規管，因此資料科學家與組織必須說明 AI 系統是否符合監管要求，尤其在出現不良結果時。
設計與部署 AI 系統的人必須對系統的運作負起責任。問責制的必要性在敏感的使用技術如人臉識別中特別重要。近來，人臉識別技術的需求不斷增加，尤其是執法機構看到該技術在尋找失蹤兒童等用途的潛力。然而，這些技術也可能被政府用來危害公民的基本自由，例如對特定個體進行持續監視。因此，資料科學家與組織需要對其 AI 系統對個人或社會的影響負責。
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft 的負責任 AI 方法")
與軟體應用除錯類似，除錯 AI 系統是辨識及解決系統問題的必要過程。有許多因素會影響模型未如期或不負責任地運作。多數傳統模型效能指標是模型整體表現的定量彙總，這不足以分析模型如何違反負責任 AI 原則。此外，機器學習模型是黑盒，難以理解其產出動因或錯誤時提供解釋。稍後本課程將學習如何利用負責任 AI 儀表板協助除錯 AI 系統。該儀表板為資料科學家與 AI 開發者提供整合工具，能執行：
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: An open-source framework for building responsible AI")
2. **安裝 Visual Studio Code**。確保您的電腦已安裝 Visual Studio Code。按照這些指示進行 [安裝 Visual Studio Code](https://code.visualstudio.com/) 的基本設置。在本課程中，您將在 Visual Studio Code 中使用 Python，因此可以先熟悉如何 [配置 Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) 以進行 Python 開發。
2. **安裝 Visual Studio Code**。確保您的電腦已安裝 Visual Studio Code。請按照這些說明 [安裝 Visual Studio Code](https://code.visualstudio.com/) 以完成基礎安裝。您將在本課程中使用 Visual Studio Code 編寫 Python，建議了解如何 [設定 Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) 作為 Python 開發環境。
✅ 思考一下數據與回歸目標之間的關係。線性回歸預測特徵 X 和目標變數 y 之間的關係。您能在文檔中找到糖尿病數據集的 [目標](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) 嗎？此數據集展示了什麼？
✅ 想一想資料與迴歸目標的關係。線性迴歸預測特徵 X 與目標變量 y 的連結。你能否在文件中找到該糖尿病資料集的[目標](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset)？給定該目標，此資料集試圖說明什麼？
在本課程中，您將開始了解機器學習如何並且正在影響我們的日常生活。即使現在，系統和模型也參與日常決策任務，如醫療診斷、貸款核准或詐欺偵測。因此，這些模型有效運作以提供可被信賴的結果是很重要的。就如任何軟體應用，AI 系統也可能未達預期或產生不理想的結果。這就是為什麼了解並解釋 AI 模型的行為是必要的原因。
在這門課程中，您將開始探索機器學習如何影響我們的日常生活。即使是現在，系統和模型已經參與了日常的決策任務，例如醫療診斷、貸款審批或欺詐檢測。因此，確保這些模型能夠提供值得信賴的結果是非常重要的。就像任何軟體應用程式一樣，AI 系統可能無法達到預期或產生不理想的結果。因此，了解並解釋 AI 模型的行為是至關重要的。
想像一下，當您用來構建這些模型的數據缺乏某些人口統計數據（例如種族、性別、政治觀點、宗教）或過度代表某些人口統計數據時會發生什麼情況。如果模型的輸出被解讀為偏向某些人口統計數據，那麼應用程式會有什麼後果？此外，當模型產生不良結果並對人們造成傷害時會發生什麼？誰應該對 AI 系統的行為負責？這些是我們在這門課程中將探討的一些問題。
想像當您用來建立這些模型的數據缺少某些族群，如種族、性別、政治觀點、宗教，或是不成比例地代表這些族群，會發生什麼？如果模型的輸出被解讀為偏袒某些族群會怎麼樣？應用的後果是什麼？另外，當模型產生不良結果並對人們有害時會怎麼樣？誰應對 AI 系統的行為負責？這些是我們在本課程中將探索的一些問題。
在這節課中，您將：
在本課程中，您將：
- 提高對機器學習中公平性及相關傷害的重要性的認識。
- 提升您對機器學習中公平性重要性及相關傷害的意識。
- 熟悉探索異常值和不尋常情境以確保可靠性和安全性的實踐。
- 熟悉探索異常值和不尋常情況以確保可靠性與安全性的做法。
- 理解設計包容性系統以賦能每個人的必要性。
- 理解設計包容系統以賦能所有人的必要性。
- 探索保護數據和人員隱私與安全的重要性。
- 探索保護數據及個人隱私安全的重要性。
- 認識到採用透明化方法解釋 AI 模型行為的必要性。
- 了解採用透明（玻璃盒）方法解釋 AI 模型行為的重要性。
- 意識到責任感對於建立 AI 系統信任的重要性。
- 注意問責制對於建立對 AI 系統信任的重要性。
## 先修條件
## 預備知識
作為先修條件，請完成「負責任 AI 原則」學習路徑，並觀看以下主題的影片：
作為先修，請完成《負責任 AI 原則》學習路徑，並觀看以下相關主題影片：
通過以下 [學習路徑](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott) 了解更多關於負責任 AI 的資訊。
透過此[學習路徑](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott)深入了解負責任 AI
[](https://youtu.be/dnC8-uUZXSc "Microsoft 的負責任 AI 方法")
[](https://youtu.be/dnC8-uUZXSc "微軟負責任 AI 方法")
> 🎥 點擊上方圖片觀看影片：Microsoft 的負責任 AI 方法
> 🎥 點擊上方圖片觀看影片：微軟負責任 AI 方法
## 公平性
## 公平性
AI 系統應該公平對待每個人，避免對相似群體的人產生不同的影響。例如，當 AI 系統提供醫療建議、貸款申請或就業建議時，應該對具有相似症狀、財務狀況或專業資格的人給出相同的建議。我們每個人作為人類，都帶有影響我們決策和行動的固有偏見。這些偏見可能會體現在我們用來訓練 AI 系統的數據中。有時這種操控是無意的，並且很難有意識地知道何時在數據中引入了偏見。
AI 系統應公平對待每個人，避免以不同方式影響相似群體。例如，當 AI 系統提供醫療治療建議、貸款申請或就業指引時，應針對具有相似症狀、財務狀況或專業資格的每個人給予相同的建議。我們每個人都攜帶著影響決策與行動的固有偏見。這些偏見可能明顯存在於用於訓練 AI 系統的數據中。有時這種操縱是無意的，而且通常難以自覺意識到何時在數據中引入了偏見。
在設計和測試 AI 系統時，我們需要確保 AI 是公平的，並且未被編程為做出偏見或歧視性的決策，這些決策是人類也被禁止做出的。保證 AI 和機器學習的公平性仍然是一個複雜的社會技術挑戰。
在設計和測試 AI 系統時，我們需確保 AI 公平，不受偏見或歧視決策控制，而人類亦被禁止做此類決策。要保證 AI 和機器學習的公平仍是複雜的社會技術挑戰。
### 可靠性與安全性
### 可靠性與安全性
為了建立信任，AI 系統需要在正常和意外情況下保持可靠、安全和一致。了解 AI 系統在各種情境下的行為，尤其是在異常情況下的行為，是非常重要的。在構建 AI 解決方案時，需要大量關注如何處理 AI 解決方案可能遇到的各種情況。例如，自駕車需要將人們的安全放在首位。因此，驅動汽車的 AI 需要考慮汽車可能遇到的所有可能情境，例如夜晚、雷暴或暴風雪、孩子橫穿馬路、寵物、道路施工等。AI 系統能夠可靠、安全地處理廣泛條件的能力反映了數據科學家或 AI 開發者在系統設計或測試過程中考慮的預見性水平。
為建立信任，AI 系統需在正常及意外情況下保持可靠、安全和一致。了解 AI 在各種情境下（尤其是異常狀況）的行為很重要。建構 AI 解決方案時，必須大量聚焦如何處理 AI 可能遇到的各種狀況。例如，自駕車必須將人身安全列為最高優先。結果，自駕車所用 AI 需考慮所有可能面臨的情況，如夜晚、雷暴或暴風雪、小孩突然跑過馬路、寵物、道路施工等。AI 系統在寬廣情況下的可靠與安全處理能力，反映了資料科學家或 AI 開發者在系統設計與測試階段的預見程度。
AI 系統應該被設計為能夠吸引並賦能每個人。在設計和實施 AI 系統時，數據科學家和 AI 開發者需要識別並解決系統中可能無意排除某些人的潛在障礙。例如，全球有 10 億人有殘疾。隨著 AI 的進步，他們可以更輕鬆地獲取廣泛的資訊和機會。通過解決這些障礙，可以創造創新機會，開發出能為每個人帶來更好體驗的 AI 產品。
AI 系統設計應涵蓋並賦能每個人。設計和實施 AI 系統時，資料科學家和 AI 開發者需發掘並消除可能無意排斥某些人的障礙。例如，全球約有 10 億身心障礙者。隨著 AI 進步，他們能更輕鬆地獲得資訊和機會。藉由消除障礙，促成創新，開發體驗更佳、惠及所有人的 AI 產品。
AI 系統應該是安全的，並尊重人們的隱私。人們對那些可能危及隱私、資訊或生命的系統信任度較低。在訓練機器學習模型時，我們依賴數據來產生最佳結果。在此過程中，必須考慮數據的來源和完整性。例如，數據是用戶提交的還是公開可用的？接下來，在處理數據時，開發能夠保護機密資訊並抵禦攻擊的 AI 系統至關重要。隨著 AI 的普及，保護隱私和確保重要的個人和商業資訊的安全變得越來越重要且複雜。隱私和數據安全問題需要特別關注，因為數據的可訪問性對於 AI 系統做出準確且有根據的預測和決策至關重要。
AI 系統需要安全且尊重個人隱私。民眾較不信任可能危害隱私、資訊或生命安全的系統。訓練機器學習模型時，我們依賴數據得出最佳結果，因此必須考慮數據來源與完整性。例如，數據是由用戶提交還是公開可用？在使用數據時，建立能保護機密信息且抵抗攻擊的 AI 系統至關重要。隨著 AI 越來越普及，保護隱私與重要個人及企業資訊變得愈加關鍵且複雜。AI 特別需要密切關注隱私和資料安全議題，因為 AI 系統獲取數據是做出準確且有根據判斷的基礎。
- 然而，對於 AI 系統，我們必須承認在需要更多個人數據以使系統更個性化和有效與隱私之間的緊張關係。
- 就像互聯網誕生時連接電腦一樣，我們也看到了與 AI 相關的安全問題數量的急劇增加。
- 同時，我們也看到 AI 被用於改善安全性。例如，大多數現代防病毒掃描器今天都由 AI 啟發式技術驅動。
- 我們需要確保我們的數據科學流程與最新的隱私和安全實踐和諧融合。
### 透明性
- 整個產業在隱私與安全方面已有顯著進展，很大程度受 GDPR（一般資料保護規範）等法規推動。
- 但對 AI 系統而言，必須承認在提升系統個人化與效能與保障隱私間的緊張關係。
- 正如連網電腦誕生初期，我們也觀察到 AI 相關安全問題大幅增加。
- 同時，AI 也被用來強化安全。例如，大多數現代防毒掃描器如今以 AI 啟發式法則驅動。
- 我們必須確保數據科學流程與最新隱私及安全實踐和諧合作。
AI 系統應該是可理解的。透明性的一個關鍵部分是解釋 AI 系統及其組件的行為。提高對 AI 系統的理解需要利益相關者了解它們如何以及為什麼運作，以便能夠識別潛在的性能問題、安全和隱私問題、偏見、排他性實踐或意外結果。我們還認為，使用 AI 系統的人應該誠實並坦率地說明何時、為什麼以及如何選擇部署它們，以及它們使用的系統的局限性。例如，如果一家銀行使用 AI 系統來支持其消費者貸款決策，則需要檢查結果並了解哪些數據影響了系統的建議。各國政府開始對各行業的 AI 進行監管，因此數據科學家和組織必須解釋 AI 系統是否符合監管要求，特別是在出現不良結果時。
AI 系統應該是可理解的。透明度的關鍵在於解釋 AI 系統及其組件的行為。要改善對 AI 系統的理解，持份者需明白系統如何及為何運作，以便識別潛在的性能問題、安全與隱私疑慮、偏見、排斥行為或非預期結果。我們也認為 AI 使用者應坦誠說明何時、為何以及如何部署 AI 系統，以及他們所用系統的限制。例如，若銀行使用 AI 支援其消費者貸款決策，重要的是檢視結果並了解哪些數據影響系統推薦。政府開始針對各行業管控 AI，故資料科學家和組織需說明 AI 系統是否符合法規，特別是當出現不良結果時。
設計和部署 AI 系統的人必須對其系統的運作方式負責。責任的必要性在面部識別等敏感技術的使用中尤為重要。最近，對面部識別技術的需求不斷增長，特別是來自執法機構，他們看到了該技術在尋找失蹤兒童等用途中的潛力。然而，這些技術可能會被政府用來威脅其公民的基本自由，例如，對特定個體進行持續監控。因此，數據科學家和組織需要對其 AI 系統對個人或社會的影響負責。
### 問責制
設計與部署 AI 系統的人必須對系統運作負責。問責制在使用敏感技術如臉部辨識時尤其重要。近期，臉部辨識技術需求成長，尤其來自執法機構，他們看到此技術在尋找失蹤兒童等用途的潛力。然而，這些技術也可能被政府用於威脅公民基本自由，例如持續監視特定個人。因此，資料科學家與組織需對其 AI 系統對個人或社會的影響負責。
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft 的負責任 AI 方法")
[](https://www.youtube.com/watch?v=Wldt8P5V6D0 "微軟負責任 AI 方法")
> 🎥 點擊上方圖片觀看影片：面部識別可能導致大規模監控的警告
> 🎥 點擊上方圖片觀看影片：警告臉部辨識引起大規模監控
最終，作為第一代將 AI 帶入社會的世代，我們面臨的最大問題之一是如何確保電腦始終對人類負責，以及如何確保設計電腦的人對其他人負責。
最終，對於我們這一代—第一代將 AI 引入社會的人來說，最大的問題之一是如何確保電腦向人類負責，以及設計電腦的人對其他人負責。
## 影響評估
## 影響評估
在訓練機器學習模型之前，進行影響評估以了解 AI 系統的目的、預期用途、部署地點以及與系統互動的對象是非常重要的。這些評估對於評審者或測試者來說非常有幫助，因為它們可以知道在識別潛在風險和預期後果時需要考慮哪些因素。
在訓練機器學習模型之前，進行影響評估很重要，以了解 AI 系統的目的、預期用途、部署地點及使用者。這有助於評估者或測試者知道評估系統時需考慮的因素，從而識別潛在風險與預期結果。
與除錯軟體應用程式類似，除錯 AI 系統是識別和解決系統問題的必要過程。許多因素可能導致模型未按預期或負責任地運行。大多數傳統的模型性能指標是模型性能的定量匯總，這不足以分析模型如何違反負責任 AI 原則。此外，機器學習模型是一個黑箱，難以理解其結果的驅動因素，或者在出錯時提供解釋。在本課程的後續部分，我們將學習如何使用負責任 AI 儀表板來幫助除錯 AI 系統。該儀表板為數據科學家和 AI 開發者提供了一個全面的工具，用於執行以下操作：
## 負責任 AI 的除錯
* **錯誤分析**：識別模型的錯誤分佈，這可能影響系統的公平性或可靠性。
類似除錯軟體應用，除錯 AI 系統是找出並解決系統問題的必要過程。多種因素可能導致模型表現不如預期或不負責任。大多數傳統模型性能指標是模型表現的量化彙整，無法充分分析模型如何違反負責任 AI 原則。此外，機器學習模型是黑盒，難以理解其決策依據或在出錯時提供解釋。本課程後面將學習如何使用負責任 AI 儀表板來協助除錯 AI 系統。該儀表板為資料科學家與 AI 開發者提供整體工具以執行：
[](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: An open-source framework for building responsible AI")
> 🎥 點擊上方圖片觀看影片：負責任的人工智慧工具箱：一個用於構建負責任人工智慧的開源框架，由 Besmira Nushi、Mehrnoosh Sameki 和 Amit Sharma 主講
> 🎥 點擊上方圖片觀看影片：RAI Toolbox：由 Besmira Nushi、Mehrnoosh Sameki 和 Amit Sharma 主講的負責任 AI 建構開源框架
此外，閱讀以下資源：
另外，閱讀：
- 微軟的負責任人工智慧資源中心：[負責任人工智慧資源– Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- 微軟的 RAI 資源中心：[Responsible AI Resources– Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4)
- 微軟的 FATE 研究小組：[FATE：人工智慧中的公平性、問責性、透明性與倫理 - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
- 微軟的 FATE 研究團隊：[FATE: Fairness, Accountability, Transparency, and Ethics in AI - Microsoft Research](https://www.microsoft.com/research/theme/fate/)
2. **安裝 Visual Studio Code**。確保您的電腦已安裝 Visual Studio Code。按照這些指示進行 [Visual Studio Code 的基本安裝](https://code.visualstudio.com/)。在本課程中，您將在 Visual Studio Code 中使用 Python，因此建議您熟悉如何為 Python 開發 [配置 Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott)。
2. **安裝 Visual Studio Code**。確保你已在電腦上安裝了 Visual Studio Code。請依據下列指引[安裝 Visual Studio Code](https://code.visualstudio.com/)。在本課程中你將使用 Visual Studio Code 來開發 Python 程式，因此建議你熟悉如何為 Python 開發[設定 Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott)。
✅ 想一想數據與回歸目標之間的關係。線性回歸預測特徵 X 和目標變數 y 之間的關係。您能在文檔中找到糖尿病數據集的 [目標](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) 嗎？這個數據集在展示什麼？
✅ 思考一下資料與回歸目標之間的關係。線性回歸旨在預測特徵 X 與目標變數 y 間的關係。你能在文件中找到糖尿病資料集的[目標](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset)嗎？此資料集的目標展示了什麼？
localizeflow[bot]
2 months ago
