Podsumowanie
Sprawiedliwość nie jest celem jednorazowym i jest nieustanny. Dowiedz się więcej o Jigsaw i działaniach na rzecz ograniczania odchyleń w modelach interfejsu Perspective API.
Więcej informacji o uczciwości ML
Kontynuuj naukę z uczciwych systemów uczących się, korzystając z tych zasobów
Samouczek dotyczący uczciwości MLCC
Ten godzinny kurs samodzielnej nauki omawia podstawowe zagadnienia związane z uczciwością systemów uczących się, w tym najważniejsze źródła uprzedzeń, sposób rozpoznawania odchyleń w danych i sposób oceny ich prognoz.
Słowniczek systemów uczących się
Glosariusz ML zawiera ponad 30 wpisów na temat uczciwości systemów uczących się, które zawierają prezentacje dla początkujących oraz przykłady popularnych uprzedzeń, najważniejsze dane związane z oceną uczciwości.
Włącz sprawiedliwość do systemów uczących się
Użyj tych narzędzi, aby zidentyfikować odchylenia w modelach systemów uczących się i im zapobiegać
Wskaźniki uczciwości
Wskaźniki uczciwości to narzędzie do wizualizacji oparte na analizie modelu TensorFlow (TFMA), które ocenia skuteczność modelu w podgrupach, a następnie przedstawia wyniki różnych popularnych danych, w tym współczynnik fałszywie pozytywnych, współczynnik fałszywie negatywnych, precyzję i czułość.
narzędzie What-If
Narzędzie „Co” to interaktywne narzędzie wizualne, które ułatwia poznawanie modeli. Zbadaj skuteczność modelu w różnych funkcjach w zbiorze danych, korzystając z różnych strategii optymalizacji, i dowiedz się, jaki wpływ ma manipulowanie poszczególnymi wartościami punktów danych.