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

பொறுப்பான AI உடன் இயந்திர கற்றல் தீர்வுகளை உருவாக்குதல்

ச்க்கெட்ச் நோட்: Tomomi Imura

முன்அறிமுகக் க்விஸ்

அறிமுகம்

இந்த பாடத்திட்டத்தில், இயந்திர கற்றல் எவ்வாறு எங்கள் தினசரி வாழ்க்கையை பாதிக்கிறது என்பதை நீங்கள் அறிய ஆரம்பிப்பீர்கள். இப்போது கூட, சித்து மாடல்கள் மற்றும் செயலிகள் தினசரி தீர்வு நேர்முகப் பணிகளுக்கு, உதாரணமாக, மருத்துவ பரிசோதனை, கடன் ஒப்புதல் அல்லது மோசடி கண்டறிதல் போன்றவற்றுக்கு பங்காற்றுகின்றன. ஆகவே, இந்த மாடல்கள் நம்பகமான முடிவுகளை வழங்குவதற்கு சிறப்பாக செயல்படுவது முக்கியம். எந்த மென்பொருள் செயலிகளும் போல, AI செயலிகள் எதிர்பார்ப்புகளை பூர்த்தி செய்யாமல் தவறான முடிவுகளை அளிக்கலாம். அதனால், ஒரு AI மாடல் செயலைப் புரிந்து கொள்ளவும் விளக்கவும் முடியும் என்பதுதான் அவசியம்.

நீங்கள் உருவாக்கும் இந்த மாடல்களுக்கு பயன்பாட்டுப் படாத சில பகுப்புகள், உதாரணமாக இனச் சார்பு, பாலினம், அரசியல் பார்வை, மதம் போன்றவை அல்லது சிலு வகுப்புகளை மோசமாக பிரதிநிதித்துவம் செய்யும் தரவு பயன்படுத்தினால் என்ன நடக்கும் என்பதை கற்பனை செய்யுங்கள். சிலு வகுப்புகளுக்கு ஆதரவு தரும் வெளிப்பாடு மாடல் வெளியீட்டில் இருக்குமா? அப்பிரயோகம் எப்படி பாதிக்கும்? மேலும, ஒரு மாடல் எதிர்மறை விளைவுகளை உண்டாக்கி மனிதர்களுக்கு தீங்கு விளைவித்தால் என்ன? AI செயலியின் நடத்தை யாருக்கு பொறுப்பாகும்? இவை இந்த பாடத்திட்டத்தில் ஆராயப்படும் சில கேள்விகள்.

இந்த பாடத்தில் நீங்கள்:

• இயந்திர கற்றலில் நியாயத்திற்கும் நியாயத்துடன் தொடர்புடைய தீங்குகளுக்கும் முக்கியத்துவம் என்று கவனத்தை எழுப்பிக் கொள்வீர்கள்.
• நம்பகத்தன்மை மற்றும் பாதுகாப்பை உறுதிப்படுத்த அசாதாரண நிலைகள் மற்றும் தவிர்க்க முடியாத சூழ்நிலைகளை ஆராயும் நடைமுறைக்கு பழகுவீர்கள்.
• அனைவருக்கும் அதிகாரம் வழங்கும் முறையில் உள்ளடக்கமான செயலிகள் வடிவமைக்கப்பட்டல் அவசியம் என்பதைப் பற்றி புரிந்துகொள்வீர்கள்.
• தரவுகளின் மற்றும் மனிதர்களின் தனிநபர் பாதுகாப்பு மற்றும் பாதுகாப்பை பாதுகாக்கத் தேவையானவை ஆராய்வீர்கள்.
• AI மாடல்களின் நடத்தை விளக்குவதற்கு கிளாஸ் பாக்ஸ் அணுகுமுறையின் முக்கியத்துவத்தை காண்பீர்கள்.
• AI செயலிகளில் நம்பிக்கை ஏற்படுத்த பொறுப்புத் தன்மை அவசியம் என்பதை கவனிப்பீர்கள்.

முன் கல்வித் தகுதி

முன் கல்வித் தகுதியாக, "பொறுப்பான AI கோட்பாடுகள்" கற்பதற்கான பயிற்சி பாதையை எடுத்து கீழே உள்ள வீடியோவைப் பாருங்கள்:

இந்த கற்றல் பாதைஐ தழுவி பொறுப்பான AI பற்றி மேலும் அறியவும்.

🎥 மேலே உள்ள படத்தை கிளிக் செய்க: மைக்ரோசாஃப்டின் பொறுப்பான AI அணுகுமுறை

நியாயம்

AI செயலிகள் அனைவருடனும் நியாயமாக இருக்க வேண்டும் மற்றும் ஒத்த குழுக்களைக் கையாளும் விதத்தில் வேறுபாடுகளை இல்லாமல் இருக்க வேண்டும். எடுத்துக்காட்டாக, AI செயலிகள் சிகிச்சை வழிகாட்டுதல், கடன் விண்ணப்பங்கள் அல்லது வேலை வாய்ப்புகளில் ஒரேக்கு சமமான அறிகுறிகள், நிதி சூழல் அல்லது தொழில்முறை தகுதிகள் உள்ள அனைவருக்கும் ஒரே பரிந்துரைகளை வழங்க வேண்டும். ஒவ்வொருவரும் உள்ளபடி முன்னோக்கிய பாகுபாடுகளை தாங்கி, அவை AI பயிற்சிக்கு பயன்படுத்தப்படும் தரவில் புலம்பெயர் அடையாளப்படுத்தும் சாத்தியம் உள்ளது. இது சில சமயங்களில் தோன்றாமல் நடக்கும். தரவுகளில் பாகுபாடு இருப்பதை அறிவது கடினம்.

“நியாயமின்மை” என்றால் ஒரு குழுவுக்கான எதிர்மறை விளைவுகள் அல்லது "தீங்கு" என்பவை, இனம், பாலினம், வயது, மாற்றுத்திறன்கள் போன்ற அடிப்படைகளில் வரையறுக்கப்படுவது அடங்கும். முக்கியமான நியாயம் தொடர்பான தீங்குகள் வகைப்படுத்தப்படலாம்:

• ஒதுக்கீடு, எடுத்துக்காட்டாக பாலினம் அல்லது இனம் ஒருவருக்கு மற்றவரை விட முன்னுரிமை வழங்கப்பட்டால்.
• சேவையின் தரம். ஒரு குறிப்பிட்ட சூழ்நிலைக்கு பயிற்சி தரவு இருந்தாலும், உண்மை மிகவும் சிக்கலானது என்றால், சேவை மோசமாக செயல்படும். உதாரணமாக, உலை கழுவும் சோப்புப் பகிர்வான், கருப்பு தோல் கொண்டவர்களை உணர முடியவில்லை என்பது. மூலம்
• குற்றம் சுமத்தல். மற்றொருவரை அல்லது ஒன்றை முறையாக விமர்சித்து மறுத்தல். உதாரணமாக, கருப்பு தோல் கொண்டவர்களின் படங்களை தவறாக கோரிலாக குறிக்கின்ற ஒரு பட தொகுப்புக் கருவி இருந்தது.
• அதிகப்படியாக அல்லது குறைவாக பிரதிநிதித்துவம். ஒரு குழு ஒரு தொழிலில் காணப்படாமை, அந்தத் துறையை ஒப்புக் கொள்ளும் சேவை அல்லது செயலி அதை தொடர்ந்து எதிர்மறையாக செயலைக் கொண்டிருப்பது.
• சூட்சுமைப்படுத்தல். ஒரு குறிப்பிட்ட குழுவை முன்பே நிர்ணயிக்கப்பட்ட பண்புக்களுடன் தொடர்புபடுத்துதல். உதாரணமாக, ஆங்கிலம் மற்றும் துருக்கிய மொழியின் மொழிபெயர்ப்பு அமைப்பில் பாலின தொடர்பான முன்பணிகள் காரணமாக தவறுகள் இருக்கலாம்.

துருக்கியத்திற்கு மொழிபெயர்ப்பு

மறுபடி ஆங்கிலத்திற்கு மொழிபெயர்ப்பு

AI செயலிகள் வடிவமைக்கும் போது, அவை நியாயமாக இருக்க வேண்டும் மற்றும் பாகுபாடு அல்லது வேறுபாடு செய்கின்ற தவறான முடிவுகளை எடுத்துக் கொள்ளக் கூடாது. இதுபோன்ற நியாயத்தின் உறுதி சமூக தொழில்நுட்பமாக கடினமாக உள்ளது.

நம்பகத்தன்மையும் பாதுகாப்பும்

நம்பிக்கையைக் கட்டமைப்பதற்காக, AI செயலிகள் நம்பகமானவை, பாதுகாப்பானவை மற்றும் சாதாரண மற்றும் எதிர்பாராத சூழ்நிலைகளில் தொடர்ச்சியாக செயல்பட வேண்டும். AI செயலிகள் பல்வேறு சூழ்நிலைகளில் எப்படி நடக்குமென்பதை அறிவது முக்கியம், குறிப்பாக அசாதாரண நிலைகள். AI தீர்வுகளை உருவாக்கும்போது, அதன் எதிர்கொள்ளும் பரப்பான சூழ்நிலைகளை எதிர்கொள்ள எப்படி திட்டமிடுவது என்பதில் கவனம் அதிகமாக வேண்டும். உதாரணமாக, சுய இயக்கும் கார் மக்கள் பாதுகாப்பை முன்னிலைப்படுத்த வேண்டும். ஆகவே, கார் இயக்கும் AI இரவு, புயல், பனிச்சறுக்கு, பிள்ளைகள் ஓடிச் செல்லுதல், விலங்குகள், சாலை பணிகள் போன்ற அனைத்து சூழ்நிலைகளையும் முன்வைத்து கருதி செயல்படுத்த வேண்டும். AI எப்படி பரந்த சூழ்நிலைகளை நம்பகமாக மற்றும் பாதுகாப்பாக கையாளும் என்பது வடிவமைப்பாளர் அல்லது டேட்டா விஞ்ஞானி அளவிடும் முன்னறிவிப்புக்கான அளவுகோல்.

🎥 AI இல் நம்பகத்தன்மை மற்றும் பாதுகாப்புக்கு இந்த இடத்தை கிளிக் செய்க

உள்ளடக்கம்

AI செயலிகள் அனைவருடனும் ஈடுபட மற்றும் அதிகாரம் அளிப்பதற்கு வடிவமைக்கப்பட வேண்டும். வடிவமைப்பாளர்கள் மற்றும் டேட்டா விஞ்ஞானிகள் முறையற்ற பலவந்தங்களை கண்டறிந்து, அவற்றை நீக்க முயல வேண்டும். உலகத்தில் 1 பில்லியன் மாற்றுத்திறனாளிகள் உள்ளனர். AI முன்னேற்றத்தால், அவர்களுக்கு தினசரி வாழ்க்கையில் தகவல் மற்றும் வாய்ப்புகளுக்கு எளிதாக அணுகல் வழங்கும். தடைகளை அகற்றுவதன் மூலம் எல்லாவற்றுக்கும் உகந்த AI பொருட்களை உருவாக்குவதற்கான வாய்ப்புகள் உருவாகின்றன.

🎥 AI இல் உள்ளடக்கம் பற்றி வீடியோவை பார்க்க இங்கே கிளிக் செய்யவும்

பாதுகாப்பும் தனியுரிமையும்

AI செயலிகள் பாதுகாப்பானவையாகவும் மக்களின் தனியுரிமையை மதிக்கக்கூடியவையாக இருக்க வேண்டும். தனியுரிமை, தகவல் அல்லது வாழ்கை ஆபத்தில் உள்ள செயலிகளுக்கு மக்கள் தவறுதலாக நம்பிக்கை காட்டுவதில்லை. இயந்திரக் கற்றல் மாடல்களை பயிற்றுவிப்பார் போது, தரவுச் சிரமத்தை முன்நிலைப்படுத்துகிறோம். அப்போது த தரவின் தோற்றமும் முழுமையானதுமான தரமும் கவனிக்கப்பட வேண்டும். உதாரணமாக, தரவு பயனர் சமர்ப்பித்ததா அல்லது பொதுவானதா? மேலும, தரவுடன் வேலை செய்யும்போது AI செயலிகள் கண்காணிப்பு விவரங்களை பாதுகாக்கவும் தாக்குதலை எதிர்கொள்ளும் வகையில் உருவாக்கப்பட வேண்டும். AI அதிகம் பரவுவதால் தனியுரிமை மற்றும் முக்கிய தனிப்பட்ட மற்றும் வணிக தகவல் பாதுகாப்பு முக்கியத்துவம் மற்றும் சிக்கலானது ஆகிவிட்டது. தனியுரிமை மற்றும் தரவு பாதுகாப்பு பிரச்சினைகள் AI இற்கு மிகவும் கவனமாக இருக்கவேண்டும், ஏனெனில் தரவுக்கு அணுகல் AI செயலிகளுக்கு மனிதர்களின் முன்னறிவான கணிப்புகள் மற்றும் தீர்வுகளை புகுத்தும் முக்கிய அம்சம் ஆகும்.

🎥 AI இல் பாதுகாப்புக்கு இந்த இடத்தை கிளிக் செய்க

• தொழில்துறையாக நாங்கள் தனியுரிமை மற்றும் பாதுகாப்பில் முக்கிய முன்னேற்றங்களை மேற்கொண்டுள்ளோம், மிக முக்கியமாக GDPR (பொது தரவு பாதுகாப்பு ஒழுங்குமுறை) போன்ற விதிகள் காரணமாக.
• ஆனால் AI செயலிகளில், தனிப்பட்ட மற்றும் செயல்திறன் மிகுந்த நிர்வாகங்கள் மத்தியில் அதிகமாக தனிநபர் தரவு தேவைப்படும் தேவையுடன் தனியுரிமை இடையிலும் மோதல் உள்ளது என்பதை நாம் ஏற்றுக்கொள்ள வேண்டும்.
• இணைக்கப்பட்ட கணினிகள் மற்றும் இணையத்தின் பிறப்புக்கு ஏற்ப, AI தொடர்பான பாதுகாப்பு பிரச்சினைகளிலும் பெருகல் காணப்படுகிறது.
• அதே சமயம் AI பாதுகாப்பை முன்னேற்றவும் பயன்படுத்தப்படுகிறது. உதாரணமாக, பெரும்பாலான நவீன குறியீடு எதிர்ப்பு ஸ்கானர்கள் இன்று AI நுண்ணறிவு மூலம் இயங்குகின்றன.
• எங்கள் தரவுத் துறையை சமீபத்திய தனியுரிமை மற்றும் பாதுகாப்பு நடைமுறைகளுடன் நல்லிணக்கமாக இணைத்துக்கொள்ள வேண்டும்.

வெளிப்படைத்தன்மை

AI செயலிகள் புரிந்துகொள்ளக்கூடியவை ஆக வேண்டும். வெளிப்படைத்தன்மையின் முக்கிய பகுதியாக AI செயலிகள் மற்றும் அவற்றின் கூறுகளின் நடத்தை விளக்கம் கொடுத்தல் அடங்கும். AI செயலிகளைப் பற்றிய புரிதலை மேம்படுத்த, பங்குதாரர்கள் அவை எப்படியும் ஏன் செயல்படுகின்றனவென்றையும் புரிந்துகொள்ள வேண்டும். இது செயல்திறன் பிரச்சினைகள், பாதுகாப்பு மற்றும் தனியுரிமை கவலைகள், பாகுபாடு, வெளியேற்றல்கள் அல்லது தவறான விளைவுகளை அடையாளம் காண உதவும். AI செயலிகளை பயன்படுத்துவோர் அவற்றைப் பயன்படுத்தும் போது எப்போது, ஏன் மற்றும் எப்படி பயன்படுத்துகிறார்கள் மற்றும் அவற்றின் வரம்புகளை தெளிவாக கூற வேண்டும். உதாரணமாக, ஒரு வங்கி தனது கடனுதவி தீர்வுகளுக்கு AI பயன்படுத்தினால், அவற்றின் முடிவுகள் மற்றும் அவற்றுக்கு பின்னிலையுடைய தரவுகளை ஆராய்வது அவசியம். அரசு துறைகள் AI ஐ ஒழுங்கு செய்ய தொடங்கியுள்ளதால், தரவுத் விஞ்ஞானிகள் மற்றும் நிறுவனங்கள் ஒரு AI முறைமை ஒழுங்குமுறை தேவைகளை பூர்த்தி செய்கிறதா என்பதை விளக்க வேண்டும், குறிப்பாக தங்கிய undesirable முடிவு ஏற்படும் போது.

🎥 AI இல் வெளிப்படைத்தன்மைக்கு இந்த இடத்தை கிளிக் செய்யவும்

• AI செயலிகள் மிகவும் சிக்கலானவை என்பதால் அவை எப்படி வேலை செய்கின்றன மற்றும் முடிவுகளை எப்படித் தெளைப்பது கடினம்.
• புரிதலின் இழப்பு, இந்த செயலிகள் நிர்வாகம், செயல்படுத்துதல் மற்றும் பதிவெடுப்புக்கு பாதிப்பாகும்.
• இன்னும் முக்கியமாக, இந்த புரிதல் இழப்பு, இந்த செயலிகள் உண்டாக்கும் முடிவுகளைக் கொண்டுச் செய்கின்ற தீர்வுகளை குறிப்பிடும்.

பொறுப்புத்தன்மை

AI செயலிகளை வடிவமைக்கும் மற்றும் செயல்படுத்தும் மக்கள் அவற்றின் இயங்கும் விதத்திற்கு பொறுப்பாக இருக்க வேண்டும். முகக் கண்டறிதல் போன்ற சென்சிட்டிவ் தொழில்நுட்பங்களில் பொறுப்புத்தன்மை அதிக முக்கியத்துவம் பெற்றது. சமீபத்தில், முகக் கண்டறிதல் தொழில்நுட்பத்தின் வளர்ச்சிக்கு அதிக கோரிக்கை உள்ளது, குறிப்பாக தொல்லாற்று அமைப்புகளிடமிருந்து, காணாமல் போன குழந்தைகளை கண்டுபிடிப்பதில் உதவக் கூடிய தொழில்நுட்பமாக இதனைப் பார்கின்றனர். ஆனால், இந்த தொழில்நுட்பம் அரசு நினைத்துவிட்டால் சில நபர்களை தொடர்ந்து கண்காணிப்பது மூலம் அடிப்படைக் உரிமைகளுக்கு ஆபத்து விளைவிக்கலாம். எனவே, தரவுத் விஞ்ஞானிகளும் நிறுவனங்களும் தங்கள் AI முறைமைகள் நபர்களுக்கும் சமூகத்துக்கும் எப்படி பாதிப்பை ஏற்படுத்துகின்றன என்பதில் பொறுப்பாக இருக்க வேண்டும்.

🎥 மேல் படத்தை கிளிக் செய்யவும்: முகக் கண்டறிதல் மூலம் பொதுக் கண்காணிப்புக்கான எச்சரிக்கை

கடைசியில், AI-ஐ சமூகத்தில் கொண்டுவரும் முதல் தலைமுறையாகவும், கணினிகள் மக்களுக்கு பொறுப்பானவைகள் என உறுதி செய்யவும், அவற்றை வடிவமைக்கும் மக்கள் அனைவருக்கும் பொறுப்பாக இருக்க வைக்கவும் எப்படி செய்வது என்பது எங்கள் தலைமுறையின் மிகப்பெரிய கேள்விகளில் ஒன்றாகும்.

தாக்க மதிப்பீடு

இயந்திரக் கற்றல் மாடலை பயிற்றுவிப்பதற்கு முன், AI முறைமையின் நோக்கம், பயனளிக்கப்படacağı இடம் மற்றும் அதை பயன்படுத்துவோர் யார் என்றவற்றை புரிந்துகொள்ள தாக்க மதிப்பீடு செய்ய முக்கியம். இது முறைமையை மதிப்பாய்வு செய்யும் வியூகர்களுக்கு அல்லது டெஸ்டர் களுக்கு எதிர்நோக்கப் படும் அபாயங்கள் மற்றும் எதிர்பார்க்கப்படும் விளைவுகளை புரிந்து கொள்ள உதவும்.

தாக்க மதிப்பீட்டின் முக்கிய துறைகள்:

• நபர்களுக்கு எதிர்மறை தாக்கம். எந்த ஒரு தடைகள் அல்லது தேவைகள், ஆதரவில்லாத பயன்பாடு அல்லது முறைமையின் செயல்திறனை பாதிக்கும் எந்த வரையறைகள் இருந்தாலும் அவற்றை புரிந்து கொள்ள இது அவசியம்.
• தரவு தேவைகள். முறைமையில் தரவு எவ்வாறு மற்றும் எங்குப் பயன்படுத்தப்படும் என்று அறிந்து கொள்வது (எ.கா., GDPR அல்லது HIPAA தரவு ஒழுங்குமுறைகள்) கவனம் செலுத்த உதவும். மேலும், பயிற்சிக்கு தேவையான தரவு அளவு மற்றும் மூலத்திற்கு பார்வை புரிய வேண்டும்.
• தாக்கத்தின் சாராம்சம். முறைமையைப் பயன்படுத்துவதால் ஏற்படும் தீங்குகள் பட்டியலை சேகரிக்கவும். முழு ML வாழ்நாள் பருவத்தில் இந்தக் குறைபாடுகள் சரி செய்யப்படுகிறதா என்று பரிசீலிக்கவும்.
• ஆறு முக்கிய கோட்பாடுகளில் ஒவ்வொன்றுக்குமான ஊடுருவல் இலக்குகள். ஒவ்வொரு கோட்பாட்டின் இலக்குகள் பூர்த்தி செய்யப்படுகிறதா மற்றும் எந்த இடைவெளிகள் உள்ளனவா என்பதை மதிப்பீடு செய்யவும்.

பொறுப்பான AI உடன் பிழைதிருத்தல்

மென்பொருள் செயலியைப் போல, AI முறைமையைத் திருத்துவது முக்கியமான செயல்முறை ஆகும், பிழைகளை கண்டுபிடித்து தீர்க்கவும். ஒரு மாடல் எதிர்பார்த்தது போல செயல்படாத அல்லது பொறுப்பான முறையில் செயல்படாத பல காரணிகள் இருக்கலாம். பாரம்பரிய மாடல் செயல்திறன் அளவுகோல்கள் பெரும்பாலும் அளவுருக்கள் அனைத்தும் கூட்டு மதிப்பீடுகளாக இருப்பதால், பொறுப்பான AI கோட்பாடுகளை மீறும் வகையில் மாடலின் செயல்திறன் பரிசீலிப்பதில் போதுமானதல்ல. மேலும் இயந்திரக் கற்றல் மாடல் ஒரு கருப்பு பெட்டியாக இருப்பதால் அதன் முடிவுகளின் காரணிகளை புரிந்துகொள்வது அல்லது ஒரு பிழை ஏற்பட்டால் விளக்குவதும் கடினம். இந்த பாடத்தில் பின்னர், பொறுப்பான AI டாஷ்போர்டைப் பயன்படுத்தி AI செயலிகளை பிழைத்திருத்துவது எப்படி என்பதை நாங்கள் கற்போம். அந்த டாஷ்போர்டு தரவுத் விஞ்ஞானிகளுக்கும் AI முன்னேற்றிகளுக்கும் பின்வரும் பணிகளுக்கு ஒரு முழுமையான கருவியாக செயல்படுகிறது:

• பிழை பகுப்பு. முறைமையின் நியாயம் அல்லது நம்பகத்தன்மைக்கு பாதிப்பை ஏற்படுத்தும் பிழை விநியோகத்தை கண்டறிதல்.
• மாடல் அவலோக்கனம். தரவு குழுக்களில் மாடலின் செயல்திறன் வேறுபாடுகளை கண்டறிதல்.
• தரவு பகுப்பு. முறைமையின் நியாயம், உள்ளடக்கம் மற்றும் நம்பகத்தன்மை பிரச்சினைகளுக்கு வழிவகுக்கும் பாகுபாடுகள் உள்ளதா என்பதை அறிய தரவு விநியோகத்தை புரிதல்.
• மாடல் விளக்கம். மாடல் கணிப்பை பாதிப்பதை புரிந்துகொள்வது. இது வெளிப்படைத்தன்மை மற்றும் பொறுப்புத்தன்மைக்காக முக்கியம்.

🚀 சவால்

தீங்கு ஏற்படுவதைத் தடுக்கும் முறையில் நாம் செய்யவேண்டியது:

• முறைமைகளில் பணியாற்றும் நபர்களுக்கு பல்வேறு பின்னணிகள் மற்றும் பார்வைகள் உள்ளன.
• எங்கள் சமூகத்தின் பல்வகை தன்மையை பிரதிபலிக்கும் தரவுத் தொகுப்புகளில் முதலீடு செய்வது.
• இயந்திரக் கற்றல் வாழ்நாள் முழுவதும் பொறுப்பற்ற AI கண்டறியும் மற்றும் திருத்தும் சிறந்த முறைகளை வளர்த்தல்.

மாடலின் நம்பகமின்மை ஒன்று தெளிவாக தெரியும் வாழ்க்கை நிலைகள் பற்றி யோசியுங்கள். எதுவும் மேலும் கவனிக்க வேண்டியவை என்ன?

பின்-அறிமுகக் க்விஸ்

மதிப்பாய்வு மற்றும் தனிப்பயிற்சி

இந்த பாடத்தில், இயந்திர கற்றலில் நியாயம் மற்றும் நியாயமின்மையின் சில அடிப்படைகளை நீங்கள் கற்றிருக்கிறீர்கள்.

கீழ்காணும் பணிமூலையைப் பாருங்கள் மேலும் விரிவாக அறிந்து கொள்ள:

• பொறுப்பான AI நோக்கத்தில்: கோட்பாடுகளை நடைமுறைக்கு கொண்டுவருதல் - Besmira Nushi, Mehrnoosh Sameki மற்றும் Amit Sharma

🎥 மேலுள்ள படத்தை அழுத்தி வீடியோவை பாருங்கள்: Besmira Nushi, Mehrnoosh Sameki, மற்றும் Amit Sharma அவர்கள் தயாரித்த பொறுப்பான AI உருவாக்க திறந்த மூல கட்டமைப்பு RAI Toolbox

இதையும் படியுங்கள்:

• Microsoft இன் RAI வளங்களுக்கான மையம்: பொறுப்பான AI வளங்கள் – Microsoft AI

• Microsoft இன் FATE ஆராய்ச்சி குழு: FATE: AI யில் நியாயம், பொறுப்பு, வெளிப்பாடு மற்றும் ஒழுக்கம் - Microsoft ஆராய்ச்சி

RAI Toolbox:

• பொறுப்பான AI உபகரணப் பெட்டி GitHub மாதிரி

நியாயத்தை உறுதி செய்ய Azure இயந்திரக் கற்றல் கருவிகள் பற்றி படியுங்கள்:

• Azure இயந்திரக் கற்றல்

பணிகள்

RAI Toolbox ஐ ஆராயுங்கள்

---

மறுப்பு: இந்த ஆவணம் AI மொழிபெயர்ப்பு சேவை Co-op Translator பயன்படுத்தி மொழிபெயர்க்கப்பட்டுள்ளது. நாங்கள் துல்லியத்திற்காக முயற்சி செய்துள்ளோம், ஆனால் தானாக செய்யப்படும் மொழிபெயர்ப்புகளில் பிழைகள் அல்லது தவறுகள் இருக்கலாம் என்பதை கவனத்தில் கொள்ளவும். அசல் ஆவணம் அதன் தாய்மொழியில் அதிகாரப்பூர்வ ஆதாரமாக கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு, தொழில்நுட்பமான மனித மொழிபெயர்ப்பு பரிந்துரைக்கப்படுகிறது. இந்த மொழிபெயர்ப்பைப் பயன்படுத்துவதால் ஏற்படும் எந்த தவறான புரிதல்கள் அல்லது தவறான விளக்கத்திற்கும் நாங்கள் பொறுப்பில்வில்லை.