Tetap teratur dengan koleksi
Simpan dan kategorikan konten berdasarkan preferensi Anda.
Akuntabilitas berarti memiliki tanggung jawab atas efek sistem AI.
Akuntabilitas biasanya melibatkan transparansi, atau berbagi informasi tentang
perilaku sistem dan proses organisasi, yang dapat mencakup mendokumentasikan dan
membagikan informasi tentang cara model dan set data dibuat, dilatih, dan dievaluasi. Situs
berikut menjelaskan dua mode dokumentasi akuntabilitas yang berharga:
Dimensi akuntabilitas lainnya adalah interpretabilitas, yang melibatkan
pemahaman keputusan model ML, dengan manusia dapat mengidentifikasi fitur
yang mengarah pada prediksi. Selain itu, penjelasan adalah kemampuan untuk
menjelaskan keputusan otomatis model dengan cara yang dapat dipahami manusia.
[[["Mudah dipahami","easyToUnderstand","thumb-up"],["Memecahkan masalah saya","solvedMyProblem","thumb-up"],["Lainnya","otherUp","thumb-up"]],[["Informasi yang saya butuhkan tidak ada","missingTheInformationINeed","thumb-down"],["Terlalu rumit/langkahnya terlalu banyak","tooComplicatedTooManySteps","thumb-down"],["Sudah usang","outOfDate","thumb-down"],["Masalah terjemahan","translationIssue","thumb-down"],["Masalah kode / contoh","samplesCodeIssue","thumb-down"],["Lainnya","otherDown","thumb-down"]],["Terakhir diperbarui pada 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."]]],[]]
