localizeflow[bot]
42798a1b82
|
3 weeks ago | |
|---|---|---|
| .. | ||
| README.md | 3 weeks ago | |
| assignment.md | 7 months ago | |
README.md
బాధ్యతాయుత AIతో మిషిన్ లెర్నింగ్ పరిష్కారాలను నిర్మించడం
స్కెచ్ నోటు టొమోమి ఇమురా దృశ్యంలో
పూర్వ- ఉపన్యాస క్విజ్
పరిచయం
ఈ పాఠ్యాంశంలో, మీరు మిషిన్ లెర్నింగ్ మన రోజువారీ జీవితాలను ఎలా ప్రభావితం చేస్తున్నదో మరియు చేయగలదో కనుగొనడం ప్రారంభిస్తారు. ఇప్పటికీ, వ్యవస్థలు మరియు నమూనాలు ఆరోగ్య నిర్ధారణలు, రుణ ఆమోదాలు లేదా మోసాలను గుర్తించడం వంటి రోజువారీ నిర్ణయాల పనుల్లో పాల్గొంటున్నాయి. కాబట్టి, ఈ నమూనాలు విశ్వసనీయమైన ఫలితాలను అందించడానికి బాగానే పని చేయడం ముఖ్యం. ఏదైనా సాఫ్ట్‌వేర్ అప్లికేషన్ లాగా, AI వ్యవస్థలు కూడా అంచనాలకు తగ్గట్టు పనిచేయకపోవచ్చు లేదా అనుభవించదగ్గ ఫలితాలను ఇవ్వకపోవచ్చు. అందుకే AI నమూనా ప్రవర్తనను అర్థం చేసుకోవడం మరియు వివరించడం అత్యంత అవసరం.
మీరు ఈ నమూనాలు తయారు చేయడం కోసం ఉపయోగిస్తున్న డేటాలో జాతి, లింగం, రాజకీయ అభిప్రాయం, మతం వంటి రేఖాచిత్రాలు లేకపోతే లేదా అ disproportional గా వచ్చే ఉంటే ఏమయ్యేది అనుకోండి. ఒక నమూనా ఫలితాన్ని కొన్ని జాతి గుంపులను ప్రాధాన్యం ఇచ్చిందా? ఆ అప్లికేషన్‌కు ఎలాంటి పరిణామం? అదేవిధంగా, నమూనా ప్రతికూల ఫలితాన్ని సృష్టించి ప్రజలకు హానికరంగా ఉంటే ఏమవుతుంది? AI వ్యవస్థ ప్రవర్తనకు ఎవరు బాధ్యత వహిస్తారు? ఇవి ఈ పాఠ్యాంశంలో మనం పరిశీలించే కొన్ని ప్రశ్నలు.
ఈ పాఠంలో మీరు:
- మిషిన్ లెర్నింగ్‌లో న్యాయత్వం మరియు న్యాయత్వ సంబంధ హానుల మీద మీ జ్ఞానాన్ని పెంపొందించుకోండి.
- విశ్వసనీయత మరియు భద్రతను నిర్ధారించడానికి అవుట్‌లయర్స్ మరియు అసాధారణ దృశ్యాలను అన్వేషించడంలో పరిచయం పొందండి.
- సమానికి సంబంధించిన వ్యవస్థలను రూపకల్పన చేయడం ద్వారా అందరికీ సత్తా ఇవ్వాలి అనే అవసరం గురించి అర్థం చేసుకోండి.
- డేటా మరియు వ్యక్తుల గోప్యత మరియు భద్రతను రక్షించడం ఎంత ముఖ్యమో పరిశీలించండి.
- AI నమూనాల ప్రవర్తన వివరించడానికి గ్లాస్ బాక్స్ (పారదర్శక) దృక్కోణం ఉండటం ఎంత ముఖ్యమో తెలుసుకోండి.
- AI వ్యవస్థలలో విశ్వాసం ఏర్పడటానికి బాధ్యత అవసరం ఎలా అన్వయ పడుతోందో జాగ్రత్తగా చూడండి.
పూర్వాపేక్ష
పూర్వాపేక్షగా, "బాధ్యతాయుత AI సూత్రాలు" లెర్న్ పాత్ తీసుకుని క్రింది వీడియోని చూడండి:
ఈ లెర్నింగ్ పాత్ ద్వారా బాధ్యతాయుత AI గురించి మరింత తెలుసుకోండి
🎥 పై చిత్రం కుడి క్లిక్ చేసి వీడియో చూడండి: మైక్రోసాఫ్ట్ బాధ్యతాయుత AI దృష్టికోణం
న్యాయత్వం
AI వ్యవస్థలు ప్రతీ ఒక్కరిని సమానంగా వ్యవహరించాలి మరియు సమాన గుంపులపై భిన్నంగా ప్రభావితం చేయకూడదు. ఉదాహరణకి, AI వ్యవస్థలు వైద్య చికిత్స, రుణ దరఖాస్తులు, ఉద్యోగ నిమిత్తం మార్గదర్శనం ఇస్తున్నప్పుడు, సమాన లక్షణాలు, ఆర్థిక పరిస్థితులు, లేదా వృత్తిపరమైన అర్హతలు ఉన్న అందరికీ అదే సిఫార్సులు ఇవ్వాలి. ప్రతి మనిషికి నిరూపిత భ్రమలు ఉంటాయి, ఇవి మా నిర్ణయాలకు మరియు చర్యలకు ప్రభావం చూపిస్తాయి. ఈ భ్రమలు మనం AI వ్యవస్థలకు శిక్షణ ఇస్తున్న డేటాలో కనిపించే అవకాశం ఉంటుంది. కొన్ని సార్లు మనస్ఫూర్తిగా లేకుండానే ఈ మానిపులేషన్ జరుగుతుంది. మనం ఆ సమయంలో మనస్సులోకి తీసుకొనడం కష్టమే.
“అన్యాయం” అనగా సమూహానికి, ఉదాహరణకు జాతి, లింగం, వయస్సు, లేదా వికలాంగత స్థితి వంటి ప్రామాణాలతో నిర్వచించబడిన వారి నిక్షిప్త ప్రతికూల ప్రభావాలు లేదా “హానులు”. ప్రధాన న్యాయత్వ సంబంధ హానులు ఇలా వర్గీకరించవచ్చు:
- కేటాయింపు, ఉదాహరణకు ఒక లింగం లేదా జాతి వేరొకదానిపై మెరుగ్గా ప్రావీణ్యం పొందింది.
- సేవా నాణ్యత. ఒక నిర్దిష్ట సన్నివేశాన్ని శిక్షణ ఇస్తే కానీ వాస్తవం చాలా సంక్లిష్టమైనదైతే, అది తక్కువ పనితీరు సేవకు దారితీస్తుంది. ఉదాహరణకి, చర్మపు రంగు గాఢంగా ఉన్న వ్యక్తులను గుర్తించలేని ఒక చేతి సబ్బు పంపిణీ యంత్రము. గురించి
- అవమానకరం. అన్యాయంగా విమర్శించడం మరియు ఎవరినైనా సంబోధించడం. ఉదాహరణకి, ఒక చిత్రం లేబులింగ్ సాంకేతికత చర్మం నల్లగా ఉన్న వ్యక్తుల చిత్రాలను కోరికలు గోరిల్లాలుగా తప్పుగా లేబుల్ చేసింది.
- ఎక్కువ లేదా తక్కువ ప్రాతినిధ్యం. ఒక నిర్దిష్ట గుంపు ఒక వృత్తిలో కనిపించకపోవడం, ఏ సేవ లేదా ఫంక్షన్ ఆ గుంపుని నిరంతరం ప్రోత్సహించడం హానికరంగా మారుతుంది.
- స్టీరియో టైపింగ్. గివెన్ గుంపును ప్రీఅసైన్ చేసిన లక్షణాలతో అనుసంధానించడం. ఉదాహరణకి, ఆంగ్లం నుంచి టర్కిష్ భాషా అనువాద వ్యవస్థలో లింగానికి సంబంధించిన స్టీరియోటైప్స్ వల్ల తప్పులు రావడం.
టర్కిష్‌కు అనువాదం
ఇంగ్లీష్‌కు తిరిగి అనువాదం
AI వ్యవస్థలను రూపకల్పన మరియు పరీక్షకు తీసుకొచ్చేటప్పుడు, AI న్యాయాన్ని గౌరవించి పక్షపాతమైన లేదా వివక్షాత్మక నిర్ణయాలు చేయడానికి ప్రోగ్రామ్ చేయబోకూడదని నిర్ధారించాలి, ఇవే మనుషులు చెయ్యడానికి అనుమతి ఇవ్వబడలేదు. AI మరియు మిషిన్ లెర్నింగ్‌లో న్యాయత్వాన్ని నిర్ధారించడం ఒక సంక్లిష్ట సామాజిక సాంకేతిక సవాలు.
విశ్వసనీయత మరియు భద్రత
విశ్వాసం పెంపొందించడానికి, AI వ్యవస్థలు సాధారణ మరియు అనుకోని పరిస్థితుల్లో విశ్వసనీయంగా, భద్రంగా, మరియు స్థిరంగా ఉండాలి. AI వ్యవస్థలు వివిధ పరిస్థితుల్లో, ముఖ్యంగా అవుట్‌లయర్లలో ఎలా ప్రవర్తించేలనే తెలుసుకోవడం ముఖ్యం. AI పరిష్కారాలను నిర్మిస్తేటప్పుడు, AI పరిష్కారాలు ఎదుర్కొనే విస్తృత పరిస్థితులను విస్తృతంగా పరిగణించాలి. ఉదాహరణకి, స్వయంచాలకంగా నడిచే కారు ప్రజల భద్రతను ప్రధమ ప్రాధాన్యంగా ఉంచాలి. అందువల్ల, ఆ కారు నడిపే AI అన్ని సంభావ్య పరిస్థుతులను పరిగణలోకి తీసుకోవాలి, ఉదాహరణకి రాత్రి, వర్షపాతం, మంచు తుపానులు, వీధిని దాటుతున్న పిల్లలూ, పెంపుడు జంతువులు, రోడ్ నిర్మాణాలు మొదలైనవి. AI వ్యవస్థ ఎంత మెరుగ్గా విస్తృత పరిస్థితులను విశ్వసనీయంగా మరియు భద్రంగా నిర్వహించగలదో ఆ డేటా శాస్త్రవేత్తల లేదా AI డెవలపర్ల భావించిన ముందస్తు తయారీని ప్రతిబింబిస్తుంది.
సామరస్యం
AI వ్యవస్థలు అందరినీ చేర్చి మహర్దం కల్పించగలవిగా రూపకల్పన చేయాలి. AI వ్యవస్థలను రూపకల్పన మరియు అమలు చేసే సమయంలో డేటా శాస్త్రవేత్తలు మరియు AI డెవలపర్లు అనుకోని తొలగింపుల కోసం వ్యవస్థలోని అడ్డంకులను గుర్తించి పరిష్కరించాలి. ఉదాహరణకి, ప్రపంచంలో 1 బిలియన్ మంది వికలాంగులు ఉన్నారు. AI అభివృద్ధితో, వారు తమ రోజువారీ జీవితాల్లో విస్తృత సమాచారానికి మరియు అవకాశాలకు సులభంగా 접근ించగలుగుతారు. అడ్డంకులను పరిష్కరించడం ద్వారా అందరికీ లాభదాయకంగా ఉండే మెరుగైన అనుభవాలతో AI ఉత్పత్తులను ఆవిష్కరించేందుకు అవకాశాలు ఏర్పడతాయి.
భద్రత మరియు గోప్యత
AI వ్యవస్థలు భద్రంగా ఉండాలి మరియు ప్రజల గోప్యతను గౌరవించాలి. వారి గోప్యత, సమాచారం, లేదా ప్రాణాలకు ప్రమాదం కలిగించే వ్యవస్థలపై ప్రజలు అన్ని విశ్వాసం లేదు. మిషిన్ లెర్నింగ్ నమూనాలను శిక్షణ ఇచ్చేటప్పుడు మేము ఉత్తమ ఫలితాలు పొందడానికి డేటాకు ఆధారపడి ఉంటాము. అందులో, డేటా మూలం మరియు నెమ్మదత్వం పరిగణలోకి తీసుకోవాలి. ఉదాహరణకి, ఆ డేటా ఉపయోగకర్త అందించినదా లేక ప్రజలకు అందుబాటులో ఉందో? తర్వాత, డేటాతో పని చేస్తున్నప్పుడు, గోప్యమైన సమాచారాన్ని రక్షించగల, దాడులకు వ్యవస్థ ప్రతిరోధించగల AI వ్యవస్థలను అభివృద్ధి చేయడం కీలకం. AI సాధారణమవ్వడంతో, గోప్యత రక్షణ మరియు వ్యక్తిగత మరియు వ్యాపార సమాచార భద్రత మరింత ముఖ్యమవుతోంది, క్లిష్టత కూడా పెరిగింది. AI కోసం గోప్యత మరియు డేటా భద్రత సమస్యలు మరింత శ్రద్ధ అవసరం ఎందుకంటే AI వ్యవస్థలు ప్రజల గురించి సరిగ్గా మరియు సమాచారం ఆధారంగా అంచనాలు మరియు నిర్ణయాలను చేయడానికి డేటాను పొందడం అవసరం.
- వృత్తిపరంగా, మేము గోప్యత & భద్రతలో గొప్ప முன்னேరుగుదల చేశాము, ముఖ్యంగా GDPR (General Data Protection Regulation) వంటి నియమాల వల్ల.
- AI వ్యవస్థలతోపాటు, మరింత వ్యక్తిగత డేటా అవసరం ఉన్న దానితో వ్యక్తిగతత మధ్య ఉన్న ఒత్తిడి గుర్తించాలి.
- కనెక్టెడ్ కంప్యూటర్లు ఇంటర్నెట్‌తో జన్మించినట్లే, AIకి సంబంధించిన భద్రత సమస్యల సంఖ్యలో భారీ పెరుగుదల చూస్తున్నాం.
- అదే సమయంలో, AI భద్రత మెరుగుపరచడంలో ఉపయోగించబడుతోంది. ఉదాహరణకి, ఆధునిక యాంటి వైరస్ స్కానర్‌లు ఇవాళ AI హ్యూరిస్టిక్స్ ద్వారా నడవబడుతున్నాయి.
- మా డేటా సైన్స్ ప్రక్రియలు తాజా గోప్యత మరియు భద్రతా అభ్యాసాలతో సవ్యంగా కలిసిపోయేలా చూసుకోవాలి.
పారదర్శకత
AI వ్యవస్థలు అర్థమయ్యే విధంగా ఉండాలి. పారదర్శకతకు మూలమైన భాగం AI వ్యవస్థల ప్రవర్తన మరియు వాటి భాగాలను వివరించడం. AI వ్యవస్థల అర్థాన్ని మెరుగుపరచడానికి వాటి పనితీరు మరియు ఎందుకు అనేవి అర్థం కావాలి, తద్వారా వాటి సామర్ధ్య సమస్యలు, భద్రతా మరియు గోప్యతా ఆందోళనలు, పాక్షికతలు, తీసివేతా చర్యలు లేదా అనుకోని ఫలితాలను గుర్తించగలుగుతారు. మేము AI వ్యవస్థలు ఉపయోగించేవారు వీటిని ఎప్పుడు, ఎందుకు, ఎలా ఉపయోగించారో, మరియు వారు ఉపయోగించే వ్యవస్థల పరిమితులు ఏమిటి అనే విషయాలను నిజాయితీగా వెల్లడించాలి అని కూడా నమ్ముతాము. ఉదాహరణగా, ఒక బ్యాంకు తన ఖాతాదారుల రుణ నిర్ణయాలకు AI వ్యవస్థను ఉపయోగిస్తే, ఫలితాలను పరిశీలించి ఏ డేటా వ్యవస్థ సిఫార్సులకు ప్రభావం చూపిందో తెలుసుకోవడం ముఖ్యం. ప్రభుత్వాలు పరిశ్రమల్లో AI నియంత్రణ ప్రారంభిస్తున్నాయి, కాబట్టి డేటా శాస్త్రవేత్తలు మరియు సంస్థలు AI వ్యవస్థా undesired ఫలితాల ఉన్నప్పుడు కూడా నియంత్రణ నిబంధనల ప్రామాణికతను వివరించాలి.
- AI వ్యవస్థలు చాలా క్లిష్టమైనవిగా ఉండటంతో, అవి ఎలా పని చేస్తాయో అర్థం చేసుకోవడం మరియు ఫలితాలను విశ్లేషించడం కష్టం.
- ఈ అర్థం తక్కువగా ఉండటం వల్ల ఈ వ్యవస్థలను నిర్వహించడం, ఆపరేషన్ చేయడం మరియు డాక్యుమెంట్ చేయడం ప్రభావితం అవుతుంది.
- ముఖ్యంగా, ఈ అర్థం తక్కువవుండటం వల్ల ఈ వ్యవస్థల ఫలితాలను ఉపయోగించి తీసుకొనే నిర్ణయాలు ప్రభావితం అవుతున్నాయి.
బాధ్యత
AI వ్యవస్థలను రూపకల్పన చేసి అమలు చేసేవారికి వారి వ్యవస్థలు ఎలా పనిచేస్తాయో బాధ్యత వహించాలి. ముఖాముఖి గుర్తింపు వంటి సున్నితమైన సాంకేతికతలలో బాధ్యత అవసరం ఎంత ముఖ్యమో అధికంగా. ఇటీవల, ముఖాముఖి గుర్తింపు సాంకేతికతకు డిమాండ్ పెరుగుతోంది, ముఖ్యంగా పోలీస్ సంస్థల వద్ద, కంటి కనుమరుగైన పిల్లలను కనుగొనడంలో ఈ సాంకేతికత ఉపయోగపడుతుందని తెలుస్తోంది. అయితే, ఈ సాంకేతికతలు ప్రభుత్వం నిర్దిష్ట వ్యక్తులపై నిరంతర పర్యవేక్షణ చేయడానికి ఉపయోగించవచ్చు, దాంతో వారి ప్రాథమిక స్వేచ్ఛలకు ప్రమాదం కలిగే అవకాశం ఉంది. అందువల్ల, డేటా శాస్త్రవేత్తలు మరియు సంస్థలు వారి AI వ్యవస్థ వ్యక్తులు లేదా సమాజంపై ఎలా ప్రభావం చూపుతుందో బాధ్యత వహించాలి.
🎥 పై చిత్రాన్ని క్లిక్ చేసి వీడియో చూడండి: ముఖాముఖి గుర్తింపుతో మాస్ పర్యవేక్షణ హెచ్చరికలు
చివరగా, మా తరం, సమాజానికి AI ను తీసుకురావటంలో తొలి తరం వ్యక్తులుగా, కంప్యూటర్లు ప్రజలకు బాధ్యత కలిగి ఉండేలా మరియు కంప్యూటర్లు రూపకల్పన చేసిన వారు అందరికి బాధ్యత వహించేలా ఎలా నిర్ధారించాలో పెద్ద ప్రశ్న.
ప్రభావం అంచనా
AI నమూనాను శిక్షణ ఇవ్వక ముందే, AI వ్యవస్థ ఉద్దేశిస్తున్న వాడకం, ఎక్కడ అమలు చేసేది, మరియు ఎవరు వ్యవస్థతో ముడిపడతారో అర్థం చేసుకునేందుకు ప్రభావం అంచనా నిర్వహించడం ముఖ్యం. ఇవి సిస్టమ్‌ను సమీక్షించే లేదా పరీక్షించే వారికి రిస్కులు మరియు ఆశించిన పరిణామాలను గుర్తించేటప్పుడు పరిగణలోకి తీసుకోవాల్సిన అంశాలను తెలియజేస్తాయి.
ప్రభావం అంచన చేయడం సమయంలో దృష్టి పెట్టాల్సిన ప్రాంతాలు:
- వ్యక్తులపై ప్రతికూల ప్రభావం. ఏ ఇతర నిషేధాలు లేదా అవసరాలు, అనధికారిక వాడకం లేదా వ్యవస్థ పనితీర్పులో ఉన్న పరిమితుల గురించి సమాచారం ఉండాలి, తద్వారా ఇది వ్యక్తులకు హాని కలిగించకుండా ఉపయోగించబడుతుంది.
- డేటా అవసరాలు. వ్యవస్థ డేటాను ఎలా మరియు ఎక్కడ ఉపయోగిస్తుందో అర్థం చేసుకోవడం సమీక్షకులకు (ఉదాహరణకి GDPR లేదా HIPAA రెగ్యులేషన్లు) పాటించవలసిన డేటా అవసరాలను పరిశీలించడానికి అవకాశం ఇస్తుంది. దాని మూలం లేదా పరిమాణం శిక్షణకు అవసరమో లేదో కూడా తేలుస్తుంది.
- ప్రభావం సారాంశం. వ్యవస్థ వాడకంలో వచ్చే సాధ్యమైన హానుల జాబితాను సేకరించండి. మిషిన్ లెర్నింగ్ జీవిత చక్రం సమయంలో గుర్తించిన సమస్యలు పరిష్కారం పొందినాయా లేదా అని సమీక్షించండి.
- ఆరు కోర్ సూత్రాలకు సంబంధించిన ప్రయోజనాత్మక లక్ష్యాలు. ప్రతీ సూత్రం లక్ష్యాలు నెరవేర్చబడ్డాయా లేదా ఉన్న లోపాలు ఉన్నాయా అని అంచనా లు.
బాధ్యతాయుత AI తో డీబగ్గింగ్
సాఫ్ట్‌వేర్ అప్లికేషన్ డీబగ్గింగ్ లాగా, AI వ్యవస్థను డీబగ్గింగ్ చేయటం కూడా అవసరం, అది వ్యవస్థలో ఉన్న సమస్యలను గుర్తించడం మరియు పరిష్కరించడం కోసం. అధికం కారణాలు ఓ నమూనా అంచనాలకు తగ్గట్టుగా లేదా బాధ్యతాయుతంగా పనిచేయకపోవడం. సంప్రదాయ నమూనా పనితీరు గణాంకాలు నమూనా పనితీరు యొక్క గుణాత్మక సమీక్షలకు సరిపోవు, మరియు అవి బాధ్యతాయుత AI సూత్రాలను ఎలా ఉల్లంఘిస్తున్నాయో అర్థం చేసుకోడం కష్టం. అంతేకాదు, మిషిన్ లెర్నింగ్ నమూనా ఒక బ్లాక్ బాక్స్ లాంటిది, దాని ఫలితాని నడిపే కారణాలు అర్థం చేసుకోవడం మరియు పొరపాట్లున్నప్పుడు వివరణ ఇవ్వడం కష్టం. ఈ కోర్సులో తర్వాత భాగంలో, బాధ్యతాయుత AI డాష్బోర్డు ఉపయోగించి AI వ్యవస్థలను డీబగ్గింగ్ చేయడం నేర్పుతాము. డాష్బోర్డు డేటా శాస్త్రవేత్తలు మరియు AI డెవలపర్లకు సమగ్ర సాధనాన్ని అందిస్తుంది:
- లోపం విశ్లేషణ. వ్యవస్థ న్యాయత్వం లేదా విశ్వసనీయతపై ప్రభావం చూపే లోపాల విభజన ను గుర్తించడానికి.
- నమూనా అవగాహన. డేటా సమూహాలలో నమూనా పనితీరు లో వ్యత్యాసాలను కనుగొనడానికి.
- డేటా విశ్లేషణ. డేటా పంపిణీ అర్థం చేసుకోవడం మరియు న్యాయత్వం, సామరస్యం, విశ్వసనీయత సమస్యలకు దారితీసే భ్రమలు ఉన్నాయా లేదో గుర్తించడానికి.
- నమూనా వివరణాత్మకత. నమూనా అంచనాలను ప్రభావితం చేసే అంశాలను అర్థం చేసుకోవడానికి. ఇది పారదర్శకత మరియు బాధ్యతకు ముఖ్యమైన నమూనా ప్రవర్తనను వివరించడంలో సహాయపడుతుంది.
🚀 సవాలు
హానులను తొలి దశలోనే పరిష్కరించేందుకు, మనం:
- వ్యవస్థలపై పనిచేస్తున్న వారికి విభిన్న నేపథ్యాలు మరియు దృక్కోణాలు ఉండాలి
- సమాజ వివిధత్వాన్ని ప్రతిబింబించే డేటాసెట్‌లలో పెట్టుబడి చేయాలి
- మిషిన్ లెర్నింగ్ జీవన చక్రంలో అవినీతిపరమైన AI ని గుర్తించి సరి చేసేందుకు మెరుగైన విధానాలను అభివృద్ధి చేయాలి
నమూనా విశ్వసనీయత లేకపోవడం స్పష్టం కాబోతున్న జీవిత పరిస్థుతులపై ఆలోచించండి. మనం మరైనది పరిగణించాలి?
ఉపదేశం తర్వాత క్విజ్
సమీక్ష & స్వయంపఠనం
ఈ పాఠంలో మీరు మిషిన్ లెర్నింగ్ లో న్యాయత్వం మరియు అన్యాయత్వం సంబంధమైన కొన్ని ప్రాథమిక భావనలను నేర్చుకున్నారు.
ఈ విషయాలపై మరింత లోతైన అవగాహన కోసం ఈ వర్క్షాప్ చూడండి:
- బాధ్యతాయుత AI కోసం: సూత్రాలను ప్రయోగంలోకి తీసుకురావడం - బేస్మిరా నుషీ, మెహర్నూష్ సమెక్కీ మరియు అమిత్ శర్మ ద్వారా
🎥 వీడియో కోసం పై చిత్రంపై క్లిక్ చేయండి: Besmira Nushi, Mehrnoosh Sameki, మరియు Amit Sharma రచించిన RAI Toolbox: జవాబుదారి AI ని నిర్మించడానికి ఓపెన్-సోర్స్ ఫ్రేమ్‌వర్క్
ఇంకా చదవండి:
-
Microsoft యొక్క RAI వనరు కేంద్రం: Responsible AI Resources – Microsoft AI
-
Microsoft యొక్క FATE పరిశోధనా గ్రూప్: FATE: Fairness, Accountability, Transparency, and Ethics in AI - Microsoft Research
RAI Toolbox:
న్యాయసంబంధితతను నిర్ధారించడానికి Azure Machine Learning టూల్స్ గురించి చదవండి:
అసైన్మెంట్
అస్వీకరణ: ఈ పత్రం AI అనువాద సేవ Co-op Translator ఉపయోగించి అనువదించబడింది. మేము ఖచ్చితత్వానికి ప్రయత్నిస్తున్నప్పటికీ, ఆటోమేటెడ్ అనువాదాలు తప్పులు లేదా అసమగ్రతలను కలిగి ఉండవచ్చు. దాని స్వదేశ భాషలో ఉన్న అసలు పత్రాన్ని అధికారం కలిగిన మూలంగా పరిగణించాలి. కీలకమైన సమాచారం కోసం, ప్రొఫెషనల్ మానవ అనువాదాన్ని సిఫారసు చేస్తాము. ఈ అనువాదం ఉపయోగం వల్ల కలిగే ఏవైనా అపార్థాలు లేదా తప్పుదారులు కోసం మేము బాధ్యత వహించము.