ML-For-Beginners/translations/el/1-Introduction/3-fairness

Δημιουργία λύσεων Μηχανικής Μάθησης με υπεύθυνη Τεχνητή Νοημοσύνη

Σημείωση σχεδίασης από Tomomi Imura

Προ-διαλέξεων κουίζ

Εισαγωγή

Σε αυτό το πρόγραμμα, θα ξεκινήσετε να ανακαλύπτετε πώς η μηχανική μάθηση μπορεί και επηρεάζει την καθημερινή μας ζωή. Ακόμα και τώρα, συστήματα και μοντέλα εμπλέκονται σε καθημερινές εργασίες λήψης αποφάσεων, όπως διαγνώσεις υγείας, έγκριση δανείων ή ανίχνευση απάτης. Επομένως, είναι σημαντικό αυτά τα μοντέλα να λειτουργούν καλά για να προσφέρουν αξιόπιστα αποτελέσματα. Όπως κάθε εφαρμογή λογισμικού, τα συστήματα ΤΝ ενδέχεται να μην εκπληρώνουν τις προσδοκίες ή να έχουν ανεπιθύμητο αποτέλεσμα. Γι' αυτό είναι ουσιώδες να μπορούμε να κατανοήσουμε και να εξηγήσουμε τη συμπεριφορά ενός μοντέλου ΤΝ.

Φανταστείτε τι μπορεί να συμβεί όταν τα δεδομένα που χρησιμοποιείτε για την κατασκευή αυτών των μοντέλων στερούνται ορισμένες δημογραφικές ομάδες, όπως φυλή, φύλο, πολιτικές απόψεις, θρησκεία ή παρουσιάζουν δυσανάλογη εκπροσώπηση τέτοιων δημογραφικών. Τι γίνεται όταν το αποτέλεσμα του μοντέλου ερμηνεύεται ώστε να ευνοεί κάποια δημογραφική ομάδα; Ποιο είναι το αποτέλεσμα στην εφαρμογή; Επιπλέον, τι συμβαίνει όταν το μοντέλο έχει αρνητικό αποτέλεσμα και βλάπτει ανθρώπους; Ποιος είναι υπεύθυνος για τη συμπεριφορά των συστημάτων ΤΝ; Αυτά είναι μερικά από τα ερωτήματα που θα εξερευνήσουμε σε αυτό το μάθημα.

Σε αυτό το μάθημα, θα:

• Αυξήσετε την ευαισθητοποίησή σας για τη σημασία της δικαιοσύνης στη μηχανική μάθηση και τις βλάβες που σχετίζονται με τη δικαιοσύνη.
• Εξοικειωθείτε με την πρακτική της εξερεύνησης αποκλίσεων και ασυνήθιστων σεναρίων για να εξασφαλίσετε αξιοπιστία και ασφάλεια.
• Κατανοήσετε την ανάγκη να ενδυναμώσουμε όλους σχεδιάζοντας περιεκτικά συστήματα.
• Εξερευνήσετε πόσο κρίσιμο είναι να προστατεύουμε την ιδιωτικότητα και την ασφάλεια των δεδομένων και των ανθρώπων.
• Δείτε τη σημασία μιας διαφανούς προσέγγισης για να εξηγήσετε τη συμπεριφορά των μοντέλων ΤΝ.
• Είστε προσεκτικοί σχετικά με το πώς η υπευθυνότητα είναι ουσιώδης για την οικοδόμηση εμπιστοσύνης στα συστήματα ΤΝ.

Προϋπόθεση

Ως προϋπόθεση, παρακαλούμε ολοκληρώστε την "Πορεία Μάθησης Αρχών Υπεύθυνης ΤΝ" και παρακολουθήστε το ακόλουθο βίντεο στο θέμα:

Μάθετε περισσότερα για την Υπεύθυνη ΤΝ ακολουθώντας αυτήν την Πορεία Μάθησης

🎥 Κάντε κλικ στην εικόνα παραπάνω για βίντεο: Η Προσέγγιση της Microsoft για Υπεύθυνη ΤΝ

Δικαιοσύνη

Τα συστήματα ΤΝ πρέπει να αντιμετωπίζουν όλους με δικαιοσύνη και να αποφεύγουν να επηρεάζουν παρόμοιες ομάδες ανθρώπων με διαφορετικούς τρόπους. Για παράδειγμα, όταν τα συστήματα ΤΝ παρέχουν καθοδήγηση σε ιατρική θεραπεία, αιτήσεις δανείων ή απασχόληση, θα πρέπει να κάνουν τις ίδιες συστάσεις σε όλους με παρόμοια συμπτώματα, οικονομικές συνθήκες ή επαγγελματικά προσόντα. Κάθε άνθρωπος φέρει εγγενείς προκαταλήψεις που επηρεάζουν τις αποφάσεις και τις ενέργειές του. Αυτές οι προκαταλήψεις μπορούν να είναι εμφανείς στα δεδομένα που χρησιμοποιούμε για την εκπαίδευση των συστημάτων ΤΝ. Τέτοιος χειρισμός μπορεί μερικές φορές να συμβεί ακούσια. Είναι συχνά δύσκολο να γνωρίζετε συνειδητά πότε εισάγετε προκατάληψη στα δεδομένα.

«Αδικία» περιλαμβάνει αρνητικές επιπτώσεις ή «βλάβες» για μια ομάδα ανθρώπων, όπως αυτές που ορίζονται με όρους φυλής, φύλου, ηλικίας ή αναπηρίας. Οι κύριες βλάβες που σχετίζονται με τη δικαιοσύνη μπορούν να ταξινομηθούν ως:

• Κατανομή, αν ένα φύλο ή εθνοτική ομάδα π.χ. ευνοείται έναντι άλλης.
• Ποιότητα υπηρεσίας. Εάν εκπαιδεύεστε με βάση δεδομένα για ένα συγκεκριμένο σενάριο αλλά η πραγματικότητα είναι πολύ πιο περίπλοκη, οδηγεί σε ελλιπή απόδοση της υπηρεσίας. Για παράδειγμα, μια συσκευή απολύμανσης χεριών που δεν φαίνεται να αναγνωρίζει άτομα με σκουρόχρωμο δέρμα. Αναφορά
• Δυσφήμιση. Να κριτικάρεις και να χαρακτηριστεί κάτι ή κάποιος αδίκως. Για παράδειγμα, μια τεχνολογία επισήμανσης εικόνων κακώς κατηγοριοποίησε εικόνες σκουρόχρωμων ανθρώπων ως γορίλλες.
• Υπερ- ή υπο-αντιπροσώπευση. Η ιδέα είναι ότι μια συγκεκριμένη ομάδα δεν εμφανίζεται σε κάποιο επάγγελμα, και οποιαδήποτε υπηρεσία ή λειτουργία που συνεχίζει να το προωθεί συμβάλλει στη βλάβη.
• Στερεοτυποποίηση. Συσχέτιση μιας δεδομένης ομάδας με προδιαγεγραμμένα χαρακτηριστικά. Για παράδειγμα, ένα σύστημα μετάφρασης μεταξύ Αγγλικών και Τουρκικών μπορεί να έχει αστοχίες λόγω λέξεων με στερεοτυπικές συσχετίσεις με φύλο.

μετάφραση στα Τουρκικά

μετάφραση πίσω στα Αγγλικά

Όταν σχεδιάζουμε και δοκιμάζουμε συστήματα ΤΝ, πρέπει να διασφαλίσουμε ότι η ΤΝ είναι δίκαιη και δεν προγραμματίζεται να λαμβάνει προκατειλημμένες ή διακριτικές αποφάσεις, τις οποίες επίσης απαγορεύεται στους ανθρώπους να παίρνουν. Η εξασφάλιση δικαιοσύνης στην ΤΝ και στη μηχανική μάθηση παραμένει μια σύνθετη κοινωνικοτεχνική πρόκληση.

Αξιοπιστία και ασφάλεια

Για να χτίσουμε εμπιστοσύνη, τα συστήματα ΤΝ πρέπει να είναι αξιόπιστα, ασφαλή και συνεπή υπό κανονικές και απρόβλεπτες συνθήκες. Είναι σημαντικό να γνωρίζουμε πώς θα συμπεριφέρονται τα συστήματα ΤΝ σε ποικίλες καταστάσεις, ειδικά όταν είναι εξαιρέσεις. Κατά την κατασκευή λύσεων ΤΝ, πρέπει να δίνεται σημαντική προσοχή στον τρόπο αντιμετώπισης ποικίλων καταστάσεων που μπορεί να συναντήσουν οι λύσεις. Για παράδειγμα, ένα αυτοκίνητο χωρίς οδηγό πρέπει να τοποθετεί την ασφάλεια των ανθρώπων ως πρώτη προτεραιότητα. Ως αποτέλεσμα, η ΤΝ που το τροφοδοτεί πρέπει να λαμβάνει υπόψη όλα τα πιθανά σενάρια που μπορεί να συναντήσει το αυτοκίνητο, όπως νύχτα, καταιγίδες ή χιονοθύελλες, παιδιά που τρέχουν στο δρόμο, κατοικίδια, οδικά έργα κ.ά. Το πόσο καλά ένα σύστημα ΤΝ μπορεί να διαχειριστεί μια μεγάλη γκάμα συνθηκών αξιόπιστα και με ασφάλεια αντικατοπτρίζει το επίπεδο προβλεψιμότητας που έλαβε υπόψη του ο επιστήμονας δεδομένων ή ο προγραμματιστής ΤΝ κατά τον σχεδιασμό ή τη δοκιμή του συστήματος.

🎥 Κάντε κλικ εδώ για βίντεο: Αξιοπιστία και ασφάλεια στην ΤΝ

Ενσωμάτωση

Τα συστήματα ΤΝ πρέπει να σχεδιάζονται ώστε να εμπλέκουν και να ενδυναμώνουν όλους. Κατά το σχεδιασμό και την υλοποίηση συστημάτων ΤΝ, οι επιστήμονες δεδομένων και οι προγραμματιστές ΤΝ εντοπίζουν και αντιμετωπίζουν πιθανά εμπόδια στο σύστημα που μπορεί να αποκλείουν αθέλητα ανθρώπους. Για παράδειγμα, υπάρχουν 1 δισεκατομμύριο άνθρωποι με αναπηρίες παγκοσμίως. Με την πρόοδο της ΤΝ, μπορούν να έχουν πιο εύκολη πρόσβαση σε ευρύ φάσμα πληροφοριών και ευκαιριών στην καθημερινή τους ζωή. Αντιμετωπίζοντας τα εμπόδια, δημιουργούνται ευκαιρίες για καινοτομία και ανάπτυξη προϊόντων ΤΝ με καλύτερες εμπειρίες που ωφελούν όλους.

🎥 Κάντε κλικ εδώ για βίντεο: Ενσωμάτωση στην ΤΝ

Ασφάλεια και ιδιωτικότητα

Τα συστήματα ΤΝ πρέπει να είναι ασφαλή και να σέβονται την ιδιωτικότητα των ανθρώπων. Οι άνθρωποι έχουν λιγότερη εμπιστοσύνη σε συστήματα που θέτουν σε κίνδυνο την ιδιωτικότητά τους, τις πληροφορίες ή τη ζωή τους. Κατά την εκπαίδευση μοντέλων μηχανικής μάθησης, βασιζόμαστε σε δεδομένα για να παράγουμε τα καλύτερα αποτελέσματα. Στο πλαίσιο αυτό, πρέπει να ληφθεί υπόψη η προέλευση των δεδομένων και η ακεραιότητά τους. Για παράδειγμα, ήταν τα δεδομένα υποβληθείσα από τον χρήστη ή δημόσια διαθέσιμα; Επιπλέον, κατά την εργασία με τα δεδομένα, είναι κρίσιμο να αναπτύσσονται συστήματα ΤΝ που μπορούν να προστατεύουν εμπιστευτικές πληροφορίες και να αντιστέκονται σε επιθέσεις. Καθώς η ΤΝ γίνεται πιο διαδεδομένη, η προστασία της ιδιωτικότητας και η ασφάλεια σημαντικών προσωπικών και επιχειρηματικών δεδομένων καθίστανται πιο κρίσιμες και σύνθετες. Τα ζητήματα ιδιωτικότητας και ασφάλειας δεδομένων απαιτούν ιδιαίτερη προσοχή για την ΤΝ, επειδή η πρόσβαση σε δεδομένα είναι απαραίτητη για να μπορεί η ΤΝ να κάνει ακριβείς και ενημερωμένες προβλέψεις και αποφάσεις για τους ανθρώπους.

🎥 Κάντε κλικ εδώ για βίντεο: Ασφάλεια στην ΤΝ

• Ως κλάδος, έχουμε κάνει σημαντικές προόδους στην ιδιωτικότητα & ασφάλεια, τροφοδοτούμενες σημαντικά από κανονισμούς όπως ο GDPR (Γενικός Κανονισμός Προστασίας Δεδομένων).
• Ωστόσο, με τα συστήματα ΤΝ πρέπει να αναγνωρίσουμε την ένταση μεταξύ της ανάγκης για περισσότερα προσωπικά δεδομένα ώστε να κάνουν τα συστήματα πιο προσωπικά και αποτελεσματικά – και της ιδιωτικότητας.
• Όπως με τη γέννηση των συνδεδεμένων υπολογιστών με το ίντερνετ, βλέπουμε επίσης σημαντική αύξηση των ζητημάτων ασφαλείας που σχετίζονται με την ΤΝ.
• Ταυτόχρονα, έχουμε δει την ΤΝ να χρησιμοποιείται για τη βελτίωση της ασφάλειας. Για παράδειγμα, οι περισσότερες σύγχρονες σαρώσεις αντι-ιού βασίζονται σε ευρετικές ΤΝ σήμερα.
• Πρέπει να διασφαλίσουμε ότι οι διαδικασίες Data Science εναρμονίζονται αρμονικά με τις τελευταίες πρακτικές ιδιωτικότητας και ασφάλειας.

Διαφάνεια

Τα συστήματα ΤΝ πρέπει να είναι κατανοητά. Σημαντικό μέρος της διαφάνειας είναι η εξήγηση της συμπεριφοράς των συστημάτων ΤΝ και των συνιστωσών τους. Η βελτίωση της κατανόησης των συστημάτων ΤΝ απαιτεί οι ενδιαφερόμενοι να κατανοούν πώς και γιατί λειτουργούν ώστε να μπορούν να εντοπίζουν πιθανά ζητήματα απόδοσης, ανησυχίες για ασφάλεια και ιδιωτικότητα, προκαταλήψεις, αποκλειστικές πρακτικές ή ανεπιθύμητα αποτελέσματα. Πιστεύουμε επίσης ότι όσοι χρησιμοποιούν συστήματα ΤΝ πρέπει να είναι ειλικρινείς και ανοικτοί σχετικά με το πότε, γιατί και πώς επιλέγουν να τα αναπτύσσουν, καθώς και για τους περιορισμούς των συστημάτων που χρησιμοποιούν. Για παράδειγμα, αν μια τράπεζα χρησιμοποιεί σύστημα ΤΝ για να υποστηρίξει τις καταναλωτικές αποφάσεις δανεισμού, είναι σημαντικό να εξετάζει τα αποτελέσματα και να κατανοεί ποια δεδομένα επηρεάζουν τις συστάσεις του συστήματος. Οι κυβερνήσεις αρχίζουν να ρυθμίζουν την ΤΝ σε διάφορους κλάδους, επομένως επιστήμονες δεδομένων και οργανισμοί πρέπει να εξηγούν αν ένα σύστημα ΤΝ πληροί τις ρυθμιστικές απαιτήσεις, ειδικά όταν υπάρχει ανεπιθύμητο αποτέλεσμα.

🎥 Κάντε κλικ εδώ για βίντεο: Διαφάνεια στην ΤΝ

• Επειδή τα συστήματα ΤΝ είναι τόσο σύνθετα, είναι δύσκολο να κατανοήσουμε πώς λειτουργούν και να ερμηνεύσουμε τα αποτελέσματα.
• Αυτή η έλλειψη κατανόησης επηρεάζει τον τρόπο που αυτά τα συστήματα διαχειρίζονται, λειτουργούν και καταγράφονται.
• Πιο σημαντικά, αυτή η έλλειψη κατανόησης επηρεάζει τις αποφάσεις που λαμβάνονται με βάση τα αποτελέσματα που παράγουν αυτά τα συστήματα.

Υπευθυνότητα

Οι άνθρωποι που σχεδιάζουν και αναπτύσσουν συστήματα ΤΝ πρέπει να είναι υπεύθυνοι για τον τρόπο λειτουργίας των συστημάτων τους. Η ανάγκη για υπευθυνότητα είναι ιδιαίτερα κρίσιμη με τεχνολογίες ευαίσθητης χρήσης, όπως η αναγνώριση προσώπου. Πρόσφατα, έχει αυξηθεί η ζήτηση γι' αυτήν την τεχνολογία, ιδιαίτερα από αστυνομικούς οργανισμούς που βλέπουν το δυναμικό της σε χρήσεις όπως ο εντοπισμός αγνοουμένων παιδιών. Ωστόσο, αυτές οι τεχνολογίες θα μπορούσαν δυνητικά να χρησιμοποιηθούν από κυβερνήσεις για να θέσουν σε κίνδυνο τα θεμελιώδη δικαιώματα των πολιτών, π.χ. επιτρέποντας συνεχή παρακολούθηση συγκεκριμένων ατόμων. Επομένως, επιστήμονες δεδομένων και οργανισμοί πρέπει να είναι υπεύθυνοι για το πώς το σύστημα ΤΝ επηρεάζει τα άτομα ή την κοινωνία.

🎥 Κάντε κλικ στην εικόνα παραπάνω για βίντεο: Προειδοποιήσεις για Μαζική Παρακολούθηση μέσω Αναγνώρισης Προσώπου

Τελικά, ένα από τα μεγαλύτερα ερωτήματα για τη γενιά μας, ως η πρώτη γενιά που φέρνει την ΤΝ στην κοινωνία, είναι πώς να εξασφαλίσουμε ότι οι υπολογιστές θα παραμείνουν υπεύθυνοι απέναντι στους ανθρώπους και πώς να εξασφαλίσουμε ότι οι άνθρωποι που σχεδιάζουν υπολογιστές θα παραμείνουν υπεύθυνοι απέναντι στους υπόλοιπους.

Αξιολόγηση επιπτώσεων

Πριν εκπαιδεύσετε ένα μοντέλο μηχανικής μάθησης, είναι σημαντικό να διεξάγετε αξιολόγηση επιπτώσεων για να κατανοήσετε τον σκοπό του συστήματος ΤΝ, τη χρήση για την οποία προορίζεται, πού θα αναπτυχθεί και ποιος θα αλληλεπιδρά με το σύστημα. Αυτές οι πληροφορίες βοηθούν τους αξιολογητές ή δοκιμαστές να γνωρίζουν ποιους παράγοντες πρέπει να λάβουν υπόψη όταν εντοπίζουν πιθανούς κινδύνους και αναμενόμενες συνέπειες.

Τα ακόλουθα είναι πεδία εστίασης κατά την αξιολόγηση επιπτώσεων:

• Αρνητική επίπτωση σε άτομα. Να είστε ενήμεροι για τυχόν περιορισμούς ή απαιτήσεις, μη υποστηριζόμενη χρήση ή γνωστούς περιορισμούς που εμποδίζουν την απόδοση του συστήματος, ώστε να διασφαλίσετε ότι το σύστημα δεν χρησιμοποιείται με τρόπο που να μπορεί να βλάψει άτομα.
• Απαιτήσεις δεδομένων. Η κατανόηση του πώς και πού θα χρησιμοποιήσει το σύστημα δεδομένα επιτρέπει στους αξιολογητές να εξερευνήσουν τυχόν απαιτήσεις δεδομένων που πρέπει να λάβετε υπόψη (π.χ., κανονισμοί GDPR ή HIPAA). Επιπλέον, εξετάστε αν η προέλευση ή η ποσότητα των δεδομένων είναι επαρκής για την εκπαίδευση.
• Περίληψη επιπτώσεων. Συλλέξτε μια λίστα πιθανών βλαβών που μπορεί να προκύψουν από τη χρήση του συστήματος. Κατά τη διάρκεια του κύκλου ζωής της μηχανικής μάθησης, επανεξετάστε αν τα ζητήματα που εντοπίστηκαν έχουν μετριαστεί ή αντιμετωπιστεί.
• Εφαρμόσιμα αντικείμενα για κάθε μία από τις έξι βασικές αρχές. Αξιολογήστε αν οι στόχοι κάθε αρχής επιτυγχάνονται και αν υπάρχουν κενά.

Εντοπισμός σφαλμάτων με υπεύθυνη ΤΝ

Όπως ο εντοπισμός σφαλμάτων σε μια εφαρμογή λογισμικού, ο εντοπισμός σφαλμάτων σε ένα σύστημα ΤΝ είναι μια απαραίτητη διαδικασία εντοπισμού και επίλυσης προβλημάτων στο σύστημα. Υπάρχουν πολλοί παράγοντες που μπορεί να επηρεάσουν την απόδοση ενός μοντέλου ώστε να μην λειτουργεί όπως αναμένεται ή υπεύθυνα. Οι περισσότερες παραδοσιακές μετρικές απόδοσης μοντέλου είναι ποσοτικές συγκεντρώσεις απόδοσης, οι οποίες δεν αρκούν για να αναλύσουν πώς ένα μοντέλο παραβιάζει τις αρχές υπεύθυνης ΤΝ. Επιπλέον, ένα μοντέλο μηχανικής μάθησης είναι ένα μαύρο κουτί που καθιστά δύσκολο τον εντοπισμό των παραγόντων που επηρεάζουν το αποτέλεσμα ή την παροχή εξήγησης όταν κάνει λάθος. Αργότερα στο μάθημα θα μάθουμε πώς να χρησιμοποιούμε τον πίνακα ελέγχου Υπεύθυνης ΤΝ για να βοηθήσουμε στον εντοπισμό σφαλμάτων στα συστήματα ΤΝ. Ο πίνακας παρέχει ένα ολοκληρωμένο εργαλείο για επιστήμονες δεδομένων και προγραμματιστές ΤΝ να εκτελέσουν:

• Ανάλυση σφαλμάτων. Να εντοπίσετε την κατανομή σφαλμάτων του μοντέλου που μπορεί να επηρεάσει τη δικαιοσύνη ή την αξιοπιστία του συστήματος.
• Επισκόπηση μοντέλου. Να ανακαλύψετε πού υπάρχουν ανισότητες στην απόδοση του μοντέλου ανάμεσα σε υποσύνολα δεδομένων.
• Ανάλυση δεδομένων. Να κατανοήσετε την κατανομή των δεδομένων και να εντοπίσετε τυχόν προκατάληψη που μπορεί να οδηγήσει σε ζητήματα δικαιοσύνης, ενσωμάτωσης και αξιοπιστίας.
• Ερμηνευσιμότητα μοντέλου. Να κατανοήσετε τι επηρεάζει ή επηρεάζει τις προβλέψεις του μοντέλου. Αυτό βοηθά στην εξήγηση της συμπεριφοράς του μοντέλου, κάτι που είναι σημαντικό για τη διαφάνεια και την υπευθυνότητα.

🚀 Πρόκληση

Για να αποτρέψουμε την εισαγωγή βλαβών αρχικά, πρέπει:

• να υπάρχει ποικιλία υποβάθρων και απόψεων μεταξύ των ανθρώπων που εργάζονται στα συστήματα
• να επενδύσουμε σε σύνολα δεδομένων που αντανακλούν την ποικιλομορφία της κοινωνίας μας
• να αναπτύξουμε καλύτερες μεθόδους καθ' όλη τη διάρκεια του κύκλου ζωής της μηχανικής μάθησης για τον εντοπισμό και τη διόρθωση της ανεύθυνης ΤΝ όταν αυτή συμβαίνει

Σκεφτείτε πραγματικά σενάρια όπου η αναξιοπιστία ενός μοντέλου είναι εμφανής στην κατασκευή και τη χρήση του. Τι άλλο πρέπει να λάβουμε υπόψη;

Μετα-διαλέξεων κουίζ

Επισκόπηση & Αυτομελέτη

Σε αυτό το μάθημα, μάθατε κάποιες βασικές έννοιες της δικαιοσύνης και αδικίας στη μηχανική μάθηση.

Παρακολουθήστε αυτό το εργαστήριο για να εμβαθύνετε στα θέματα:

• Στην επιδίωξη της υπεύθυνης ΤΝ: Φέρνοντας τις αρχές στην πράξη από τους Besmira Nushi, Mehrnoosh Sameki και Amit Sharma

🎥 Κάντε κλικ στην εικόνα παραπάνω για ένα βίντεο: Εργαλειοθήκη Υπεύθυνης Τεχνητής Νοημοσύνης: Ένα ανοιχτού κώδικα πλαίσιο για την κατασκευή υπεύθυνης ΤΝ από τη Besmira Nushi, Mehrnoosh Sameki και Amit Sharma

Επίσης, διαβάστε:

• Κέντρο πόρων Υπεύθυνης ΤΝ της Microsoft: Πόροι Υπεύθυνης ΤΝ – Microsoft AI

• Ομάδα έρευνας FATE της Microsoft: FATE: Ισότητα, Λογοδοσία, Διαφάνεια και Ηθική στην ΤΝ - Microsoft Research

Εργαλειοθήκη Υπεύθυνης ΤΝ:

• Αποθετήριο GitHub της Εργαλειοθήκης Υπεύθυνης ΤΝ

Διαβάστε σχετικά με τα εργαλεία του Azure Machine Learning για να εξασφαλίσετε δικαιοσύνη:

• Azure Machine Learning

Εργασία

Εξερευνήστε την Εργαλειοθήκη Υπεύθυνης ΤΝ

---

Αποποίηση ευθυνών: Αυτό το έγγραφο έχει μεταφραστεί χρησιμοποιώντας την υπηρεσία μετάφρασης με τεχνητή νοημοσύνη Co-op Translator. Ενώ επιδιώκουμε την ακρίβεια, παρακαλούμε να έχετε υπόψη ότι οι αυτοματοποιημένες μεταφράσεις ενδέχεται να περιέχουν λάθη ή ανακρίβειες. Το πρωτότυπο έγγραφο στη μητρική του γλώσσα πρέπει να θεωρείται η αυθεντική πηγή. Για κρίσιμες πληροφορίες, συνιστάται επαγγελματική ανθρώπινη μετάφραση. Δεν φέρουμε ευθύνη για τυχόν παρεξηγήσεις ή λανθασμένες ερμηνείες που προκύπτουν από τη χρήση αυτής της μετάφρασης.