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

ការបង្កើតដំណោះស្រាយ Machine Learning ជាមួយបច្ចេកវិជ្ជា AI ដែលមានការទទួលខុសត្រូវ

ស្រេកតណូតដោយ Tomomi Imura

មេរៀនត្រៀមមុន

ការណែនាំ

ក្នុងមុខវិជ្ជានេះ អ្នកនឹងចាប់ផ្តើមស្វែងយល់ពីវិធីដែល machine learning អាចនិងកំពុងប៉ះពាល់ជីវិតប្រចាំថ្ងៃរបស់យើង។ ពេលនេះ មេរៀននិងម៉ូឌែលកំពុងជាប់ក្នុងភារកិច្ចសម្រេចចិត្តប្រចាំថ្ងៃ ដូចជា التشخيصសុខភាព, ការអនុម័តឥណទាន ឬ ការស្វែងរកការល្មើសច្បាប់។ ដូច្នេះ វាសំខាន់ណាស់ដែលម៉ូឌែលទាំងនេះធ្វើការល្អដើម្បីផ្តល់លទ្ធផលដែលអាចទុកចិត្តបាន។ ដូចជា​កម្មវិធីសូហ្វវែរណាមួយ សំណុំប្រព័ន្ធ AI អាចខកខានការរំពឹងទុកឬមានលទ្ធផលដែលមិនល្អ។ ដូច្នេះ វាចាំបាច់ត្រូវយល់ និងពន្យល់អំពីអាកប្បកិរិយារបស់ម៉ូឌែល AI។

សូមនឹកស្រមៃថាអ្វីអាចកើតឡើង នៅពេលទិន្នន័យដែលអ្នកកំពុងប្រើសម្រាប់បង្កើតម៉ូឌែលទាំងនេះខ្វះទឹកដីនយោបាយ ឬ ប្រជាជាតិមួយចំនួន ដូចជា ស្បែកជាតិ, ភេទ, ទស្សនៈនយោបាយ, សាសនា ឬ មានការតំណាងមិនសមស្របសម្រាប់ចំនួនប្រជាជនដូចបានថ្លែង។ តើមានអ្វីកើតឡើងពេលលទ្ធផលម៉ូឌែលត្រូវតែបកប្រែទៅគាំទ្រប្រជាជនជាឯកត្តា? តើផលប៉ះពាល់ សម្រាប់កម្មវិធីនេះជាអ្វី? បន្ថែមពីនេះ កើតមានលទ្ធផលអវិជ្ជមាននិងគ្រោះថ្នាក់ដល់មនុស្ស បើករណីណាស់តើនរណាដែលទទួលខុសត្រូវចំពោះអាកប្បកិរិយារបស់ប្រព័ន្ធ AI? នេះគឺជាសំណួរមួយចំនួនដែលយើងនឹងស្វែងរកក្នុងមុខវិជ្ជានេះ។

ក្នុងមេរៀននេះ អ្នកនឹង៖

• ធ្វើឲ្យមានការយល់ដឹងពីសារៈសំខាន់នៃភាពសមណ៍នៅក្នុង machine learning និងគ្រោះថ្នាក់ដែលពាក់ព័ន្ធនឹងភាពសមណ៍។
• ស្គាល់ពីការអនុវត្តន៍នៃការស្វែងរក outliers និងស្ថានការ អស្ចារ្យដើម្បីធានាការទុកចិត្ត និងសុវត្ថិភាព
• ទទួលបានការយល់ដឹងពីការនាំមនុស្សទាំងអស់ឲ្យមានឥទ្ធិពលដោយរចនាប្រព័ន្ធរួមបញ្ចូលគ្នា
• ស្វែងយល់ពីតំលៃនៃការពារសម្ងាត់ និងសុវត្ថិភាពនៃទិន្នន័យ និងមនុស្ស
• ដឹងពីសារៈសំខាន់នៃមេធាសុខភាពស៊ីក្លាសប្លុកក្នុងការពន្យល់អាកប្បកិរិយារបស់ម៉ូឌែល AI
• សូមចាំបាច់ចំពោះការទទួលខុសត្រូវសម្រាប់ការជឿទុកចិត្តនៅក្នុងប្រព័ន្ធ AI

លក្ខខណ្ឌជាមុន

ជាលក្ខខណ្ឌជាមុន សូមចូលរួមគន្លងរៀន "គោលការណ៍ AI ដែលមានការទទួលខុសត្រូវ" ហើយមើលវីដេអូខាងក្រោមដែលទាក់ទងនឹងប្រធានបទនេះ៖

រៀនបន្ថែមអំពី AI ដែលមានការទទួលខុសត្រូវដោយតាមដាន Learning Path

🎥 ចុចរូបភាពខាងលើសម្រាប់វីដេអូ៖ វិធីសាស្រ្ត Microsoft ទៅកាន់ AI ដែលមានការទទួលខុសត្រូវ

ភាពសមណ៍

ប្រព័ន្ធ AI គួរតែជួយគ្រប់គ្នាឲ្យមានភាពសមណ៍ ហើយកុំប៉ះពាល់ទៅលើក្រុមមនុស្សដដែលដោយវិធីដែលខុសគ្នា។ ឧទាហរណ៍ ទំាងពេលប្រព័ន្ធ AI ផ្តល់ការណែនាំក្នុងការព្យាបាលសុខភាព ការដាក់ពាក្យខ្ចីប្រាក់ ឬការងារ គួរតែផ្តល់អនុសាសន៍ដូចគ្នាចំពោះមនុស្សក្នុងអាការៈសញ្ញាដូចគ្នា, ស្ថានភាពហិរញ្ញវត្ថុដូចគ្នា ឬមុខវិជ្ជាជាក់លាក់ដូចគ្នា។ មនុស្សម្នាក់ៗមានអាកប្បកិរិយាជាប់ចិត្តដែលប៉ះពាល់ដល់ការសម្រេចចិត្ត និងសកម្មភាពរបស់ពួកគេ។ អាកប្បកិរិយានេះអាចមាននៅក្នុងទិន្នន័យដែលយើងប្រើផ្តល់សម្រាប់បណ្តុះអោយប្រព័ន្ធ AI។ ការបង្ករនេះអាចកើតឡើងដោយមិនចេះដឹង។ វពិបាកក្នុងការយល់ដឹងដោយសប្បាយចិត្តពេលដែលអ្នកបញ្ចូលអាកប្បកិរិយានៅក្នុងទិន្នន័យ។

“ភាពមិនសមណ៍” គឺពាក់ព័ន្ធនឹងគ្រោះថ្នាក់ ឬ “ការខូចខាត” សម្រាប់ក្រុមមនុស្សមួយ ដូចជា ការបែងចែកតាមជាតិសាសន៍ ភេទ អាយុ ឬសភាពការភាពជាអ្នកពិការ។ គ្រោះថ្នាក់សំខាន់ៗដែលពាក់ព័ន្ធនឹងភាពសមណ៍អាចចាត់ចែងជា៖

• ការចែកចាយ ប្រសិនបើភេទ ឬជាតិសាសន៍ជាជាងគេត្រូវបានគុកាពីមួយបំណែកផ្សេងទៀត។
• គុណភាពសេវាកម្ម។ ប្រសិនបើអ្នកបណ្តុះទិន្នន័យសម្រាប់ស្ថានការណ៍ជាក់លាក់មួយ ប៉ុន្តែភាពពិតស្មុគស្មាញជាងនេះ វានាំឲ្យសេវាកម្មមានការសម្តែងច្រឡំពីគុណភាព។ ឧទាហរណ៍ របៀបចាក់សាប៊ូដៃមិនអាចចាប់ស្មារតីមនុស្សដែលស្បែកខ្មៅបាន។ យោង
• ការគំទ្រង់។ ដើម្បីវាយប្រហារនិងដាក់ស្លាកដោយមិនសមណ៍លើរបស់មួយ ឬមនុស្សម្នាក់ណា។ ឧទាហរណ៍ បច្ចេកវិជ្ជាអ្ការបញ្ជាក់រូបភាពមួយដែលបានបញ្ជាក់រូបភាពមនុស្សស្បែកខ្មៅអោយជាប្រភេទហ្គរីឡា។
• ការតំណាងកាត់ ឬខ្វះតំណាង។ គំនិតគឺក្រុមមួយមិនត្រូវបានមើលឃើញនៅក្នុង មុខរបរ មួយចំនួន ហើយសេវាកម្ម ឬមុខងារណាមួយកំពុងផ្សព្វផ្សាយសកម្មភាពនេះ កំពុងរួមចំណែកគ្រប់គ្រោះថ្នាក់។
• ការភ្នាល់បែបស្តេរៀរប៊ែរិង។ ភ្ជាប់ក្រុមមួយជាមួយលក្ខណៈដែលបានកំណត់ជាមុន។ ឧទាហរណ៍ ប្រព័ន្ធបកប្រែភាសារវាងអង់គ្លេស និងតួរគីអាចមានការមិនត្រឹមត្រូវដោយពាក្យដែលមានការតភ្ជាប់មកជាមួយភេទ។

ការបកប្រែទៅភាសាតួរគី

ការបកប្រែទៅវិញជាភាសាអង់គ្លេស

ពេលដែលរចនា និងសាកល្បងប្រព័ន្ធ AI យើងត្រូវធានាថា AI មានភាពសមណ៍ ហើយមិនត្រូវបានបញ្ចូលកម្មវិធីអោយធ្វើ ការសម្រេចចិត្តដែលមិនសមណ៍ ឬចម្លែកដែលមនុស្សក៏ត្រូវតែជៀសវាងដែរ។ ការធានាថាភាពសមណ៍ក្នុង AI និង machine learning មិនមែនជាការងាយស្រួលទេ តែវាជាការប្រឈមមួយផ្នែកសង្គម បច្ចេកទេស។

ការពឹងផ្អែក និងសុវត្ថិភាព

ដើម្បីកសាងការជឿទុកចិត្ត ប្រព័ន្ធ AI ត្រូវតែពឹងផ្អែកបាន សុវត្ថិភាព និងមានភាពស៊ីជម្រៅក្រោមស្ថានភាពធម្មតា និងស្ថានភាពមិនបានរំពឹងទុក។ វាសំខាន់ក្នុងការដឹងថាប្រព័ន្ធ AI នឹងអនុវត្តដូចម្តេចក្នុងហេតុការណ៍នានា ជាពិសេសពេលពួកវាជារឿងលំដាប់ពិសេស។ ពេលបង្កើតដំណោះស្រាយ AI ត្រូវមានការផ្តោតឲ្យខ្លាំងទៅលើវិធីទប់ស្កាត់ហេតុការណ៍ផ្សេងៗដែលអាចកើតឡើង។ ឧទាហរណ៍ ឡានបើកנסដោយខ្លួនឯងត្រូវតែអានចិត្តសុវត្ថិភាពមនុស្សជាភាគរយមួយ។ ដូច្នេះ ប្រព័ន្ធ AI ដើម្បីបញ្ជារឡានផ្តោតយល់ដឹងលើបរិបទភ្លៀងព្រិល ក្មេងៗរត់ជ្រៅតាមផ្លូវ សត្វចិញ្ចឹម ការសាងសង់ផ្លូវ ជាដើម។ វាជាកម្រិតនៃការ៉ងដឹងថាអ្នកវិទ្យាសាស្ត្រទិន្នន័យឬអ្នកអភិវឌ្ឍន៍ AI បានគិតពីស្ថានការណ៍នានា ខណៈរចនា ឬសាកល្បងប្រព័ន្ធ។

🎥 ចុចទីនេះសម្រាប់វីដេអូ៖ ការពឹងផ្អែក និងសុវត្ថិភាពក្នុង AI

ការរួមបញ្ចូលគ្នា

ប្រព័ន្ធ AI ត្រូវតែចំណាយពេលប្រើប្រាស់ និងបង្កើតឲ្យមនុស្សគ្រប់គ្នាមានភារកិច្ច និងឥទ្ធិពល។ នៅពេលរចនា និងដំឡើងប្រព័ន្ធ AI អ្នកវិទ្យាសាស្ត្រទិន្នន័យ និងអ្នកអភិវឌ្ឍន៍ AI ត្រូវកំណត់ និងដោះស្រាយឧបសគ្គដែលនឹងមិនបានបញ្ចូលមនុស្សមួយចំនួនដោយគ្មានចេតនា។ ឧទាហរណ៍ មានមនុស្សជាងមួយពាន់លានដែលមានជម្ងឺពិការភាពនៅជុំវិញពិភពលោក។ ជាមួយនឹងការវិវឌ្ឍន៍ AI ពួកគេអាចចូលដំណើរការប្រភពព័ត៌មាននានានិងឱកាសបានងាយស្រួលក្នុងជីវិតប្រចាំថ្ងៃ។ ដោយដោះស្រាយឧបសគ្គ ទទួលបានឱកាសសម្រាប់ច្នៃប្រឌិត និងអភិវឌ្ឍផលិតផល AI ដែលមានបទពិសោធមួយល្អប្រសើរមកគ្រប់ៗគ្នា។

🎥 ចុចទីនេះសម្រាប់វីដេអូ៖ ការរួមបញ្ចូលគ្នានៅក្នុង AI

សុវត្ថិភាព និងភាពឯកជន

ប្រព័ន្ធ AI ត្រូវតែមានសុវត្ថិភាព និងគោរពទៅលើភាពឯកជនរបស់មនុស្ស។ មនុស្សមានការជឿទុកចិត្តតិចជាងទៅប្រព័ន្ធដែលធ្វើឲ្យភាពឯកជន ព័ត៌មាន ឬជីវិតរបស់ពួកគេទាំងអស់មានការគំរាមកំហែង។ នៅពេលបណ្តុះម៉ូឌែល machine learning យើងពឹងផ្អែកលើទិន្នន័យដើម្បីបង្កើតលទ្ធផលល្អជាងគេ។ ក្នុងការធ្វើដូចនេះ គេត្រូវគិតពីប្រភពនៃទិន្នន័យ និងសុចរិតភាពទិន្នន័យ។ ឧទាហរណ៍ ទិន្នន័យផ្សាយដោយអ្នកប្រើប្រាស់ឬមានភាពជាសាធារណៈ? បន្ទាប់មក បន្ទាប់ពីធ្វើការងារជាមួយទិន្នន័យ វាជារឿងសំខាន់ក្នុងការបង្កើតប្រព័ន្ធ AI ដែលអាចការពារព័ត៌មានសម្ងាត់ និងធន់នឹងការវាយប្រហារ។ ពេលដែល AI កាន់តែមានការគ្រប់គ្រងច្រើន ការការពារភាពឯកជន និងការការពារព័ត៌មានរបស់មនុស្ស និងអាជីវកម្មក៏កាន់តែពិបាក។ បញ្ហាភាពឯកជន និងសុវត្ថិភាពទិន្នន័យត្រូវការចំណាប់អារម្មណ៍ជាងគេសម្រាប់ AI ពីព្រោះការACCESS ទិន្នន័យគឺសំខាន់សម្រាប់ប្រព័ន្ធ AI ដើម្បីធ្វើការទស្សន៍ទាយ និងសម្រេចចិត្តឲ្យបានច្បាស់លាស់និងមានព័ត៌មានគ្រប់គ្រាន់ទាក់ទងមនុស្ស។

🎥 ចុចទីនេះសម្រាប់វីដេអូ៖ សុវត្ថិភាពនៅក្នុង AI

• ជាឧស្សាហកម្ម យើងបានឈានដល់កំរិតខ្ពស់ក្នុងការការពារ ភាពឯកជន និងសុវត្ថិភាព ដោយបានជំរុញយ៉ាងខ្លាំងដោយច្បាប់រួមដូចជា GDPR (បទប្បញ្ញត្តិការពារទិន្នន័យទូទៅ)។
• ទោះយ៉ាងណា ជាមួយប្រព័ន្ធ AI យើងត្រូវទទួលស្គាល់ភាពចម្រុះរវាងការត្រូវការទិន្នន័យផ្ទាល់ខ្លួនបន្ថែមដើម្បី ឲ្យប្រព័ន្ធមានបុគ្គលលក្ខណៈ និងមានប្រសិទ្ធភាព ជាមួយភាពឯកជន។
• ដូចជាការបង្កើតកុំព្យូទ័រតភ្ជាប់ជាមួយអ៊ិនធឺណិត ឥឡូវនេះយើងក៏កំពុងឃើញពាណិជ្ជកម្មឡើងគ្រប់ធាតុទាក់ទងនឹងសុវត្ថិភាពដែលពាក់ព័ន្ធនឹង AI។
• ក្នុងពេលដដែល យើងបានឃើញ AI អាចប្រើសម្រាប់ការកែលម្អសុវត្ថិភាព។ ឧទាហរណ៍ ម៉ាស៊ីនសប្រេននៃវីរុសភាគច្រើនជាថ្មីៗនេះត្រូវបានបើកចំហដោយ heuristic AI។
• យើងត្រូវធ្វើឲ្យប្រាកដថា ដំណើរការវិទ្យាសាស្ត្រទិន្នន័យរបស់យើងសម្របសម្រួលជាមួយនឹងអនុវត្តភាពឯកជន និងសុវត្ថិភាពថ្មីៗ។

ភាពច្បាស់លាស់

ប្រព័ន្ធ AI គួរតែយល់ដឹងបាន។ ផ្នែកសំខាន់នៃភាពច្បាស់លាស់គឺការពន្យល់អាកប្បកិរិយារបស់ប្រព័ន្ធ AI និងគ្រឿងផ្សំរបស់វា។ ការបង្កើនការយល់ដឹងអំពីប្រព័ន្ធ AI ត្រូវការឲ្យអ្នកពាក់ព័ន្ធយល់ពីរបៀបនិងហេតុផលដែលប្រព័ន្ធដំណើរការ ដើម្បីអោយពួកគេអាចកំណត់បញ្ហាផលិតភាព សុវត្ថិភាព និងភាពឯកជន ការបែកបាក់ ឬការអនុវត្តបញ្ហាចែកគ្នា ឬលទ្ធផលមិនគ្មានចេតនា។ យើងក៏ជឿថាអ្នកប្រើប្រាស់ប្រព័ន្ធ AI ត្រូវតែមានភាពស្មោះត្រង់ និងបើកចំហចំពោះពេលដែល ពួកគេចង់យកប្រព័ន្ធ AI អ្នកនិងសមត្ថភាពដែលមានរក្សាទុក។ ការពិចារណាលើកំណត់រមទ្បីនៃប្រព័ន្ធដែលពួកគេប្រើប្រាស់ក៏សំខាន់ផងដែរ។ ឧទាហរណ៍ ប្រសិនបើធនាគារប្រើប្រព័ន្ធ AI ដើម្បីគាំទ្រសេចក្ដីសម្រេចចិត្តខ្ចីប្រាក់របស់វា វាសំខាន់ក្នុងការត្រួតពិនិត្យលទ្ធផល និងយល់ពីទិន្នន័យដែលមានឥទ្ធិពលលើអនុសាសន៍នៃប្រព័ន្ធ។ រដ្ឋាភិបាលកំពុងចាប់ផ្តើមច្បាប់គ្រប់គ្រងអាយ ឡើងវិញទូទាត់ឧស្សាហកម្ម ដូច្នេះអ្នកវិទ្យាសាស្ត្រទិន្ននីយ៍ និងអង្គការគួរតែពន្យល់ថាប្រព័ន្ធ AI ត្រូវបានគ្រប់គ្រងតាមច្បាប់ យ៉ាងពិសេសពេលមានលទ្ធផលមិនល្អ។

🎥 ចុចទីនេះសម្រាប់វីដេអូ៖ ភាពច្បាស់លាស់នៅក្នុង AI

• ពីព្រោះប្រព័ន្ធ AI មានសំណុំសិប្បនិម្មិតខ្ពស់ ការយល់ដឹងពីរបៀបដែលវាដំណើរការនិងការបកន័យលទ្ធផលគឺពិបាក។
• ការខ្វះការយល់ដឹងនេះប៉ះពាល់ដល់របៀបដែលប្រព័ន្ធទាំងនេះត្រូវបានគ្រប់គ្រង និងថែរក្សា។
• ការខ្វះការយល់ដឹងនេះវែងទៀតប៉ះពាល់ដល់ការសម្រេចចិត្តដែលធ្វើឡើងដោយប្រើលទ្ធផលដែលប្រព័ន្ធទាំងនេះផ្តល់។

ការទទួលខុសត្រូវ

មនុស្សដែលរចនានិងដាក់ប្រព័ន្ធ AI ត្រូវតែទទួលខុសត្រូវចំពោះរបៀបដែលប្រព័ន្ធរបស់ពួកគេដំណើរការ។ ការទទួលខុសត្រូវភាពវិញ្ញាណគឺមានសារៈសំខាន់បំផុតជាពិសេសសម្រាប់បច្ចេកវិជ្ជាដែលមានការប្រើប្រាស់ចាំបាច់ដូចជាការទទួលស្គាល់រូបមនុស្ស។ នាពេលថ្មីៗនេះ មានការទាមទារក្នុងការប្រើបច្ចេកវិជ្ជាទទួលស្គាល់រូបមនុស្សកាន់តែច្រើន ដោយពិសេសពីអង្គការការពារច្បាប់ ដែលឃើញសក្តានុពលរបស់បច្ចេកវិជ្ជានេះ ក្នុងការស្វែងរកកុមារខាតបង់។ ទោះយ៉ាងណា បច្ចេកវិជ្ជាទាំងនេះអាចត្រូវបានរដ្ឋាភិបាលប្រើដើម្បីគំរាមកំហែងសេរីភាពគ្រឹះមនុស្សដោយអនុញ្ញាតឲ្យតាមដានជាបន្តបន្ទាប់លើមនុស្សជាក់លាក់ខ្លះ។ ដូច្នេះ អ្នកវិទ្យាសាស្ត្រទិន្នន័យ និងអង្គការ ត្រូវមានការទទួលខុសត្រូវចំពោះរបៀបដែលប្រព័ន្ធ AI របស់ពួកគេចាប់អារម្មណ៍មនុស្សឬសង្គម។

🎥 ចុចរូបភាពខាងលើសម្រាប់វីដេអូ៖ ការព្រមានអំពីការតាមដាននិយមធំតាមរូបមនុស្ស

នៅចុងក្រោយ ចំងល់ធំមួយសម្រាប់ជំនាន់មនុស្សយើង ក្នុងនាមជាជំនាន់ដំបូងនាំ AI មកសង្គម គឺរបៀបដែលធានាថាកុំព្យូទ័រនឹងនៅតែទទួលខុសត្រូវចំពោះមនុស្ស និងរបៀបដែលមនុស្សរចនាកុំព្យូទ័រនឹងនៅតែទទួលខុសត្រូវចំពោះមនុស្សដទៃទៀត។

ការវាយតម្លៃផលប៉ះពាល់

មុនពេលបណ្តុះម៉ូឌែល machine learning វាសំខាន់ក្នុងការធ្វើការវាយតម្លៃផលប៉ះពាល់ដើម្បីយល់ថា បំណងបំណុលនៃប្រព័ន្ធ AI ជាអ្វីនឹង ការប្រើប្រាស់គ្រប់គ្រងនៅឯណា និងនរណាដែលនឹងប្រើប្រាស់ប្រព័ន្ធ។ នេះជួយសម្រាប់អ្នកឆែក ឬអ្នកសាកល្បងវាយតម្លៃប្រព័ន្ធដើម្បីដឹងថាត្រូវយកអ្វីទៅគិតពេលបញ្ចេញគ្រោះថ្នាក់ និងផលប៉ះពាល់ចាំបាច់។

វាលខាងក្រោមជាតំបន់ផ្តោតយ៉ាងចាំបាច់ពេលធ្វើការវាយតម្លៃផលប៉ះពាល់៖

• ផលប៉ះពាល់អវិជ្ជមានចំពោះដួងមនុស្សនិទាឃរដូវ។ មានការយល់ដឹងពីការកំណត់ឬតម្រូវការ ការប្រើប្រាស់ដែលមិនគាំទ្រ ឬកំណត់ការជាប់ចិត្តណាមួយដែលរារាំងសមត្ថភាពប្រព័ន្ធគឺជារឿងសំខាន់ក្នុងការធានាថាប្រព័ន្ធមិនត្រូវបានប្រើសម្រាប់បង្កគ្រោះថ្នាក់ដល់មនុស្ស។
• តម្រូវការទិន្នន័យ។ ការយល់ដឹងថាប្រព័ន្ធនឹងប្រើទិន្នន័យនៅណា និងរបៀបណា ជួយឲ្យអ្នកពិនិត្យអាចតាមដានតម្រូវការទិន្នន័យដែលអ្នកត្រូវយកចិត្តទុកដាក់ (ដូចជា ច្បាប់ GDPR ឬ HIPAA)។ បន្ថែមពីនេះ សូមពិនិត្យថា ប្រភព ឬបរិមាណទិន្នន័យគ្រប់គ្រាន់សម្រាប់ការបណ្តុះដល់ម៉ូឌែលឬអត់។
• សង្ខេបផលប៉ះពាល់។ ប្រមូលបញ្ជីគ្រោះថ្នាក់ដែលអាចកើតមានពីការប្រើប្រាស់ប្រព័ន្ធ។ ក្នុងជីវវដ្ត ML សូមពិនិត្យថាបញ្ហានានាត្រូវបានទប់ស្កាត់ឬដោះស្រាយ។
• គោលបំណងដែលអាចប្រកបដោយប្រយោជន៍ សម្រាប់គោលការណ៍ប្រាំមួយដោយជាគោលដៅមូលដ្ឋាន។ វាយតម្លៃថាគោលបំណងនីមួយៗត្រូវបានបំពេញឬមានចន្លោះកម្រិតណាឬអត់។

ការដោះស្រាយបញ្ហាជាមួយ AI ដែលមានការទទួលខុសត្រូវ

ដូចជាការដោះស្រាយបញ្ហាកម្មវិធី មុខងារដោះស្រាយបញ្ហាប្រព័ន្ធ AI គឺជាដំណើរការដើម្បីកំណត់ និងដោះស្រាយបញ្ហានៅក្នុងប្រព័ន្ធ។ មានហេតុផលជាច្រើនដែលប៉ះពាល់ការអនុវត្តសមរម្យរបស់ម៉ូឌែល ឬរបៀបដែលវាធ្វើដោយមានការទទួលខុសត្រូវ។ តាមប្រពៃណី វិធីសាស្ត្រវាស់ប្រសិទ្ធភាពម៉ូឌែលភាគច្រើនគឺជាការបូករួមតម្លៃគុណភាព។ វាមិនគ្រប់គ្រាន់ក្នុងការវិភាគពីរបៀបដែលម៉ូឌែលផ្ទុកការបំពានលើគោលការណ៍ AI ដែលមានការទទួលខុសត្រូវ។ បន្ថែមពីនេះ ម៉ូឌែល machine learning ជាប្រអប់ខ្មៅ ដែលធ្វើឲ្យពិបាកក្នុងការយល់ថាអ្វីជាដើមនៃលទ្ធផល ឬផ្តល់ការពន្យល់ពេលកើតមានកំហុស។ នៅពេលក្រោយក្នុងមុខវិជ្ជានេះ យើងនឹងរៀនពីរបៀបប្រើផ្ទាំងគ្រប់គ្រង Responsible AI ជួយដោះស្រាយបញ្ហាប្រព័ន្ធ AI។ ផ្ទាំងគ្រប់គ្រងផ្តល់ឧបករណ៍អមសម្រាប់អ្នកវិទ្យាសាស្ត្រទិន្នន័យ និងអ្នកអភិវឌ្ឍន៍ AI ដើម្បីអនុវត្ត៖

• វិភាគកំហុស។ ដើម្បីកំណត់ពីចំនួនកំហុសរបស់ម៉ូឌែលដែលអាចប៉ះពាល់ទៅលើភាពសមណ៍ ឬភាពទុកចិត្តនៃប្រព័ន្ធ។
• ទិដ្ឋភាពទូទៅម៉ូឌែល។ ដើម្បីស្វែងរកកន្លែងដែលមានភាពខុសគ្នានៃសមត្ថភាពម៉ូឌែល ឆ្លងកាត់ក្រុមទិន្នន័យផ្សេងៗ។
• វិភាគទិន្នន័យ។ ដើម្បីយល់ពីការចែកចាយទិន្នន័យ និងកំណត់បំភ្លឺនៃអាកប្បកិរិយាណាមួយ ដែលអាចបណ្តាលមកវិបត្តិភាពសមណ៍ ការរួមបញ្ចូល និងការទុកចិត្ត។
• ការពន្យល់ម៉ូឌែល។ ដើម្បីយល់ថាអ្វីប៉ះពាល់ ឬមានឥទ្ធិពលលើការទស្សន៍ទាយរបស់ម៉ូឌែល។ នេះជួយពន្យល់អាកប្បកិរិយារបស់ម៉ូឌែល ដែលសំខាន់សម្រាប់ភាពច្បាស់លាស់ និងការទទួលខុសត្រូវ។

🚀 챌린지

ដើម្បីការពារគ្រោះថ្នាក់ពីការបង្ហាញក្នុងដំបូង យើងគួរតែ៖

• មានភាពចម្រុះជាប្រវត្តិ និងទស្សនៈក្នុងក្រុមដែលធ្វើការលើប្រព័ន្ធ
• វិនិយោគលើទិន្នន័យដែលបង្ហាញពីភាពចម្រុះនៃសង្គមយើង
• អភិវឌ្ឍវិធីសាស្រ្តល្អប្រសើរនៅក្នុងជីវវដ្ត machine learning សម្រាប់រកឃើញ និងកែតម្រូវ AI ដែលមិនទទួលខុសត្រូវនៅពេលវាប្រឈម

សូមគិតអំពីស្ថានការណ៍ជាការពិតជីវិតដែលជឿទុកចិត្តនៃម៉ូឌែលមិនត្រឹមត្រូវមានអ្វីទៅទៀតដែលយើងត្រូវពិចារណា?

វគ្គសំណួរបន្ទាប់មេរៀន

ការពិនិត្យឡើងវិញ និងការសិក្សាឯករាជ្យ

ក្នុងមេរៀននេះ អ្នកបានរៀនមូលដ្ឋានខ្លះៗអំពីគំនិតភាពសមណ៍ និងភាពមិនសមណ៍នៅក្នុង machine learning។

មើលវគ្គបណ្ដុះបណ្ដាលនេះដើម្បីជ្រាលជ្រៅជាងនេះលើប្រធានបទ៖

• ក្នុងការតាមរក AI ដែលមានការទទួលខុសត្រូវ៖ នាំគោលការណ៍អនុវត្តដោយ Besmira Nushi, Mehrnoosh Sameki និង Amit Sharma

🎥 ចុចរូបភាពខាងលើសម្រាប់វីដេអូនេះ៖ ប្រអប់ឧបករណ៍ RAI៖ ស៊្រ្តុចឃើមូបខ្ញុំភាគរយសម្រាប់បង្កើត AI ដែលទទួលខុសត្រូវ ដោយ Besmira Nushi, Mehrnoosh Sameki, និង Amit Sharma

ក៏អាន៖

• មជ្ឈមណ្ឌលធនធាន RAI របស់ Microsoft៖ ធនធាន AI ទំនួលខុសត្រូវ – Microsoft AI

• ក្រុមស្រាវជ្រាវ FATE របស់ Microsoft៖ FATE៖ ការសមភាសម្យ, ការទទួលខុសត្រូវ, ភាពច្បាស់លាស់ និងចរិតសម្បទានៅក្នុង AI - Microsoft Research

ប្រអប់ឧបករណ៍ RAI៖

• ឃ្លាំង GitHub ប្រអប់ឧបករណ៍ AI ទំនួលខុសត្រូវ

អានអំពីឧបករណ៍ Azure Machine Learning សម្រាប់ធ្វើឲ្យប្រាកដថាមានភាពជាភាគតុល្យ៖

• Azure Machine Learning

ការបន្ទុកការងារ

ស្វែងយល់អំពីប្រអប់ឧបករណ៍ RAI

---

ការបដិសេធ: ឯកសារនេះត្រូវបានបម្លែងភាសា ដោយប្រើសេវាបម្លែងភាសា AI Co-op Translator។ ទោះយើងខ្ញុំមានក្តីប្រាថ្នាឱ្យបានច្បាស់លាស់ តែសូមយល់ដឹងថាការបម្លែងដោយស្វ័យប្រវត្តិក៏អាចមានកំហុសឬភាពមិនត្រឹមត្រូវ។ ឯកសារដើមជាភាសាទីតាំងគួរត្រូវបានគេប្រើជាប្រភពច្បាស់លាស់។ សម្រាប់ព័ត៌មានសំខាន់ៗ សូមណែនាំឱ្យប្រើប្រាស់ការប្រែដោយមនុស្សជំនាញ។ យើងខ្ញុំមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំ ឬការបកស្រាយខុសបន្ទាប់ពីការប្រើប្រាស់ការបម្លែងនេះនោះទេ។