<!--
CO_OP_TRANSLATOR_METADATA:
{
  "original_hash": "91c6a180ef08e20cc15acfd2d6d6e164",
  "translation_date": "2025-12-19T15:15:19+00:00",
  "source_file": "9-Real-World/2-Debugging-ML-Models/assignment.md",
  "language_code": "te"
}
-->
# బాధ్యతాయుత AI (RAI) డాష్‌బోర్డ్‌ను అన్వేషించండి

## సూచనలు

ఈ పాఠంలో మీరు RAI డాష్‌బోర్డ్ గురించి నేర్చుకున్నారు, ఇది "ఓపెన్-సోర్స్" టూల్స్‌పై నిర్మించిన భాగాల సూట్, ఇది డేటా శాస్త్రవేత్తలకు AI వ్యవస్థలపై లోప విశ్లేషణ, డేటా అన్వేషణ, న్యాయసమ్మతతా అంచనా, మోడల్ వివరణాత్మకత, కౌంటర్‌ఫాక్ట్/ఏమైతే అంచనాలు మరియు కారణాత్మక విశ్లేషణ చేయడంలో సహాయపడుతుంది." ఈ అసైన్‌మెంట్ కోసం, RAI డాష్‌బోర్డ్ యొక్క కొన్ని నమూనా [నోట్‌బుక్స్](https://github.com/Azure/RAI-vNext-Preview/tree/main/examples/notebooks) ను అన్వేషించి, మీ కనుగొనిన విషయాలను ఒక పేపర్ లేదా ప్రెజెంటేషన్‌లో నివేదించండి.

## రూబ్రిక్

| ప్రమాణాలు | అద్భుతం | సరిపోతుంది | మెరుగుదల అవసరం |
| -------- | --------- | -------- | ----------------- |
|          |  RAI డాష్‌బోర్డ్ భాగాలు, నడిపించిన నోట్‌బుక్ మరియు దాన్ని నడిపిన తర్వాత తీసుకున్న తాత్పర్యాలను చర్చిస్తూ ఒక పేపర్ లేదా పవర్‌పాయింట్ ప్రెజెంటేషన్ అందించబడింది        |   తాత్పర్యాలు లేకుండా ఒక పేపర్ అందించబడింది       |  ఎలాంటి పేపర్ అందించబడలేదు                 |

---

<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**అస్పష్టత**:  
ఈ పత్రాన్ని AI అనువాద సేవ [Co-op Translator](https://github.com/Azure/co-op-translator) ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నించినప్పటికీ, ఆటోమేటెడ్ అనువాదాల్లో పొరపాట్లు లేదా తప్పిదాలు ఉండవచ్చు. అసలు పత్రం దాని స్వదేశీ భాషలోనే అధికారిక మూలంగా పరిగణించాలి. ముఖ్యమైన సమాచారానికి, ప్రొఫెషనల్ మానవ అనువాదం సిఫార్సు చేయబడుతుంది. ఈ అనువాదం వాడకంలో ఏర్పడిన ఏవైనా అపార్థాలు లేదా తప్పుదారుల కోసం మేము బాధ్యత వహించము.
<!-- CO-OP TRANSLATOR DISCLAIMER END -->