Restez organisé à l'aide des collections
Enregistrez et classez les contenus selon vos préférences.
La responsabilité consiste à assumer la responsabilité des effets d'un système d'IA.
La responsabilité implique généralement de la transparence, ou le partage d'informations sur le comportement du système et le processus organisationnel, ce qui peut inclure la documentation et le partage de la façon dont les modèles et les ensembles de données ont été créés, entraînés et évalués. Les sites suivants expliquent deux modes de documentation de la responsabilité utiles:
L'interprétabilité est une autre dimension de la responsabilisation. Elle implique la compréhension des décisions des modèles de ML, où les humains sont capables d'identifier les caractéristiques qui mènent à une prédiction. De plus, l'explicabilité est la capacité des décisions automatisées d'un modèle à être expliquées de manière à être compréhensibles par les humains.
Sauf indication contraire, le contenu de cette page est régi par une licence Creative Commons Attribution 4.0, et les échantillons de code sont régis par une licence Apache 2.0. Pour en savoir plus, consultez les Règles du site Google Developers. Java est une marque déposée d'Oracle et/ou de ses sociétés affiliées.
Dernière mise à jour le 2025/02/25 (UTC).
[[["Facile à comprendre","easyToUnderstand","thumb-up"],["J'ai pu résoudre mon problème","solvedMyProblem","thumb-up"],["Autre","otherUp","thumb-up"]],[["Il n'y a pas l'information dont j'ai besoin","missingTheInformationINeed","thumb-down"],["Trop compliqué/Trop d'étapes","tooComplicatedTooManySteps","thumb-down"],["Obsolète","outOfDate","thumb-down"],["Problème de traduction","translationIssue","thumb-down"],["Mauvais exemple/Erreur de code","samplesCodeIssue","thumb-down"],["Autre","otherDown","thumb-down"]],["Dernière mise à jour le 2025/02/25 (UTC)."],[[["Accountability in AI involves taking ownership for the effects of a system, often achieved through transparency about the system's development and behavior."],["Transparency can be enhanced using documentation practices like Model Cards and Data Cards, which provide information about models and datasets."],["Interpretability and explainability are crucial aspects of accountability, enabling understanding of model decisions and providing human-understandable explanations for automated actions."],["Fostering user trust in AI systems requires focusing on explainability and transparency, with further resources available in Google's Responsible AI Practices and Explainability Resources."]]],[]]
