<!--
CO_OP_TRANSLATOR_METADATA:
{
  "original_hash": "91c6a180ef08e20cc15acfd2d6d6e164",
  "translation_date": "2025-09-05T00:19:52+00:00",
  "source_file": "9-Real-World/2-Debugging-ML-Models/assignment.md",
  "language_code": "fi"
}
-->
# Tutustu vastuullisen tekoälyn (RAI) hallintapaneeliin

## Ohjeet

Tässä oppitunnissa opit RAI-hallintapaneelista, joka on joukko komponentteja, jotka perustuvat "avoimen lähdekoodin" työkaluihin. Sen avulla data-analyytikot voivat suorittaa virheanalyysiä, datan tutkimista, oikeudenmukaisuuden arviointia, mallin tulkintaa, vastaväite/mitä-jos-arviointeja ja kausaalianalyysiä tekoälyjärjestelmissä. Tämän tehtävän tarkoituksena on tutkia joitakin RAI-hallintapaneelin esimerkkien [notebookeja](https://github.com/Azure/RAI-vNext-Preview/tree/main/examples/notebooks) ja raportoida havainnot paperissa tai esityksessä.

## Arviointikriteerit

| Kriteeri | Erinomainen | Riittävä | Parannusta tarvitaan |
| -------- | ----------- | -------- | -------------------- |
|          | Paperi tai PowerPoint-esitys on tehty, jossa käsitellään RAI-hallintapaneelin komponentteja, suoritettua notebookia ja siitä tehtyjä johtopäätöksiä | Paperi on tehty ilman johtopäätöksiä | Paperia ei ole tehty |

---

**Vastuuvapauslauseke**:  
Tämä asiakirja on käännetty käyttämällä tekoälypohjaista käännöspalvelua [Co-op Translator](https://github.com/Azure/co-op-translator). Vaikka pyrimme tarkkuuteen, huomioithan, että automaattiset käännökset voivat sisältää virheitä tai epätarkkuuksia. Alkuperäinen asiakirja sen alkuperäisellä kielellä tulisi pitää ensisijaisena lähteenä. Kriittisen tiedon osalta suositellaan ammattimaista ihmiskäännöstä. Emme ole vastuussa väärinkäsityksistä tai virhetulkinnoista, jotka johtuvat tämän käännöksen käytöstä.