Új, felelős gépi tanulási innováció az Azure Machine Learningben

A mesterséges intelligencia bevezetésénél a vállalatok jelentős kihívásokkal szembesülnek az MI felelősségteljes fejlesztése és használata kapcsán. Annak érdekében, hogy segítsünk a vállalatoknak leküzdeni ezeket az akadályokat, az Aether bizottsággal és annak munkacsoportjaival együttműködve a legfrissebb felelős MI-használattal foglalkozó kutatások eredményét tesszük elérhetővé az Azure-ban. Az új felelős gépi tanulási képességek az Azure Machine Learning szolgáltatásban és a nyílt forráskódú eszközkészletekben lehetővé teszik, hogy az adatszakértők és a fejlesztők megérthessék a gépi tanulási modelleket, megvédhessék a felhasználókat és adataikat, és elejétől végéig ellenőrzésük alatt tarthassák a gépi tanulási folyamatot. 

• A modellek megértése: Az Azure Machine Learningben elérhető modellértelmező képességek, valamint a Fairlearn használatából eredő méltányosságértékelési és ártalomcsökkentő képességek pontosabb és igazságosabb modellek fejlesztését teszik lehetővé. 
• A felhasználók védelme: Az új differenciális adatvédelmi WhiteNoise eszközkészlet Azure Machine Learninggel való együttes használata lehetővé teszi, hogy az ügyfelek a bizalmas adatok használatával hozzák létre gépi tanulási modelljeiket úgy, hogy közben a személyes adatok védelmét is garantálják. Ez a Microsoft és a Harvard Kvantitatív Társadalomtudományi Intézetének és Mérnöki karának kutatóival kötött partnermegállapodásnak köszönhető. A bizalmas adatokat használó gépi tanulási funkciók lehetővé teszik, hogy a Microsoft adatelemző csapatai anélkül készítsenek biztonságos környezetben bizalmas adatokra épülő modelleket, hogy magukat az adatokat meg tudnák tekinteni. Ezeket a bizalmas adatokat használó gépi tanulási képességeket később, az év hátralévő részében fogjuk a fejlesztők és az adatszakértők számára is elérhetővé tenni. 
• A folyamatok ellenőrzése: Az Azure Machine Learning lehetővé teszi, hogy automatikusan nyomon követhesse a gépi tanulási objektumok öröklődési adatait és a szabályozási követelmények teljesítése érdekében visszakövethető módon megőrizhesse azokat. Az adatlapok szabványos módszert biztosítanak a gépi tanulási objektumok dokumentálásához, és biztosítják az adatszakértők, a könyvvizsgálók és a döntéshozók számára az átláthatóságot. Az adatlapok implementálásához a fejlesztők és az adatszakértők már ma elkezdhetik használni az Azure Machine Learning egyéni címkéit modelljeiknél,

Az Azure Machine Learning és a nyílt forráskódú eszközkészletek új innovációi több évtizede tartó kutatások eredményeire épülnek, és átfogó képességeket biztosítanak a vállalatok számára az AI-megoldások felelősségteljes fejlesztéséhez.

Részletek.