Platform- és modelltervezés a felelős mesterséges intelligenciáért: rugalmas, privát, tisztességes és átlátható gépi tanulási modellek tervezése és építése

Olvasói vélemények

Amita Kapoor és Sharmistha Chatterjee „Platform and Model Design for Responsible AI” című könyve átfogó útmutató a mesterséges intelligenciával foglalkozó szakemberek számára, amely a kockázatértékelésre, az etikus modelltervezésre és a felelős mesterséges intelligencia gyakorlatára összpontosít. A könyv foglalkozik a mesterséges intelligencia rendszerek átláthatóságának és tisztességességének kritikus szükségességével, miközben gyakorlati útmutatást nyújt az etikai megfontolásoknak az ML-fejlesztés során történő megvalósításához.

A könyv jól felépített, világos és részletes leírást nyújt a felelős mesterséges intelligenciával kapcsolatos alapvető témákról, beleértve a kockázatértékelést, az adatvédelem kezelését, a méltányosságot, az etikát és a modelloptimalizálást. A könyvet dicsérik érthetőségéért, gyakorlati útmutatásaiért, valós példáiért és az összetett fogalmak alapos feltárásáért. Emellett értékes forrásnak tekintik a széles közönség számára, beleértve a gyakorlati szakembereket, a szakpolitikai tervezőket és a területen újonnan dolgozókat.

A könyv terjedelmes (több mint 500 oldal), ami egyes olvasók számára megterhelő lehet. A tartalom teljes körű kihasználásához a gépi tanulás és a kapcsolódó technológiák alapos ismerete szükséges. Emellett néhány kritika megjegyezte, hogy a vizuális anyagok esztétikáján lehetne javítani.

(15 olvasói vélemény alapján)

Eredeti címe:

Platform and Model Design for Responsible AI: Design and build resilient, private, fair, and transparent machine learning models

Könyv tartalma:

Etikus mesterséges intelligencia projektek kidolgozása a magánélet védelmével, a méltányossággal és a kockázatértékelési funkciókkal a skálázható és elosztott rendszerek számára, miközben fenntartja a megmagyarázhatóságot és a fenntarthatóságot

A nyomtatott vagy Kindle könyv megvásárlása egy ingyenes PDF e-könyvet is tartalmaz

Főbb jellemzők:

⬤ Tanulja meg a gépi tanulási keretrendszerek kockázatértékelését a globális környezetben.

⬤ Fedezze fel a következő generációs AI ökoszisztémák mintáit a sikeres terméktervezéshez.

⬤ Megmagyarázható előrejelzések készítése az adatvédelemmel és méltányossággal támogatott ML-képzéshez.

Könyv leírása:

A mesterséges intelligencia algoritmusok mindenütt jelen vannak, és olyan feladatokra használják őket, mint a munkaerő-toborzás vagy annak eldöntése, hogy ki kapjon kölcsönt. A mesterséges intelligencia ilyen széleskörű használata a döntéshozatali folyamatban szükségessé teszi, hogy megmagyarázható, felelős, átlátható és megbízható mesterséges intelligenciával támogatott rendszert építsünk. A Platform and Model Design for Responsible AI segítségével átláthatóvá teheti a meglévő fekete doboz modelleket.

Képes lesz azonosítani és kiküszöbölni a modellekben lévő torzításokat, kezelni az adatok és a modell korlátaiból eredő bizonytalanságot, és felelős mesterséges intelligencia megoldást nyújtani. A hagyományos és mélytanulásos ML-modellek etikus modelljeinek tervezésével, valamint fenntartható termelési beállításban való alkalmazásával fogsz kezdeni. Ezt követően megtanulod, hogyan állíthatod be az adatvezetékeket, validálhatod az adatkészleteket, és hogyan állíthatod be a komponens mikroszolgáltatásokat biztonságos és privát módon bármely felhő-agnosztikus keretrendszerben. Ezután megfelelő korlátozásokkal tisztességes és privát ML-modellt építesz, hangolod a hiperparamétereket, és kiértékeled a modell metrikáit.

A könyv végére az adatok anonimizálásához szükséges technikák mellett az adatvédelmi és etikai törvényeknek való megfeleléshez szükséges legjobb gyakorlatokat is megismeri. Képes lesz magyarázható modelleket fejleszteni, azokat jellemzőtárolókban tárolni, és kezelni a modelljóslatok bizonytalanságát.

Amit tanulni fog:

⬤ Tudja meg az ML modellekkel kapcsolatos veszélyeket és kockázatokat.

⬤ Felfedezi a kockázatcsökkentési stratégiák különböző szintjeit és a kockázatbeosztási eszközöket.

⬤ Hagyományos és mélytanulási optimalizálási technikák hatékony alkalmazása.

⬤ Hitelesíthető és értelmezhető ML-modellek és jellemzőtárolók létrehozása.

⬤ A bizonytalanság fogalmának megértése és a modell magyarázhatóságának eszközeinek feltárása.

⬤ Modellek kidolgozása különböző felhőkhöz, beleértve az AWS-t, Azure-t és GCP-t.

⬤ Felfedezze az ML-korrigálási eszközöket, például a Kubeflowt és a Vertex AI-t.

⬤ Az adatvédelem és a méltányosság beépítése az ML-modellekbe a tervezéstől a telepítésig.

Kinek szól ez a könyv:

Ez a könyv azoknak a tapasztalt gépi tanulással foglalkozó szakembereknek szól, akik szeretnék megérteni az ML-modellek és keretrendszerek kockázatait és kiszivárgásait, és megtanulni újrafelhasználható komponensek fejlesztését és használatát, hogy csökkentsék az AI-ökoszisztéma felállításával és karbantartásával kapcsolatos erőfeszítéseket és költségeket.