Nieuwe innovatie op het gebied van verantwoordelijke machine learning in Azure Machine Learning

Naarmate organisaties kunstmatige intelligentie (AI) gaan gebruiken, komen ze voor grote uitdagingen te staan als het gaat om het op een verantwoordelijke manier ontwikkelen en gebruiken van AI. We willen organisaties helpen dit bezwaar weg te nemen door het nieuwste onderzoek over verantwoordelijke kunstmatige intelligentie in Azure toe te passen, in samenwerking met de Aether Committee en de bijbehorende werkgroepen. De nieuwe mogelijkheden voor verantwoordelijke machine learning in Azure Machine Learning en onze opensource-toolkits geven datawetenschappers en ontwikkelaars de middelen om inzicht te krijgen in machine learning-modellen, mensen en hun gegevens te beschermen en het complete machine learning-proces te beheren. 

• Inzicht: Dankzij mogelijkheden voor de interpreteerbaarheid van modellen in Azure Machine Learning, de evaluatie van een eerlijke verdeling en beperkingsmogelijkheden met behulp van Fairlearn kunnen nauwkeurigere modellen met een eerlijkere verdeling worden ontwikkeld. 
• Beschermen: De nieuwe WhiteNoise-toolkit voor differentiële privacy kan worden gebruikt met Azure Machine Learning om klanten de mogelijkheid te bieden machine learning-modellen te bouwen met behulp van gevoelige gegevens, terwijl ook de privacy van personen wordt beschermd. Dit is het resultaat van de partnerschap tussen Microsoft en onderzoekers op de IQSS and School of Engineering van Harvard. Vertrouwelijke machine learning-mogelijkheden gegevens bieden wetenschappelijke teams bij Microsoft de kans om modellen te bouwen aan de hand van vertrouwelijke gegevens in een veilige omgeving, zonder de gegevens te kunnen zien. We zullen deze vertrouwelijke machine learning-mogelijkheden later dit jaar voor ontwikkelaars en datawetenschappers beschikbaar maken. 
• Besturing: Azure Machine Learning biedt mogelijkheden om de afkomst automatisch te volgen en een audittrail van ML-assets bij te houden om aan de regelgevingsvereisten te voldoen. Gegevensbladen bieden een gestandaardiseerde manier om ML-assets te documenteren en bieden datawetenschappers, auditors en besluitvormers transparantie. Ontwikkelaars en datawetenschappers kunnen aangepaste tags in Azure Machine Learning gebruiken om vandaag al gegevensbladen voor modellen te implementeren.

Deze nieuwe, innovatieve Azure Machine Learning- en opensource-toolkits zijn ontwikkeld op basis van tientallen jaren aan onderzoek en bieden organisaties een uitgebreide set mogelijkheden om op een verantwoordelijke manier AI-oplossingen te ontwikkelen.

Meer informatie.