Последние инновации в Машинном обучении Azure, касающиеся ответственного машинного обучения
Дата публикации: 19 мая, 2020
Внедряя технологии искусственного интеллекта, организации сталкиваются с серьезными трудностями, связанными с ответственной разработкой и использованием таких технологий. Чтобы помочь организациям преодолеть это препятствие, мы применяем в Azure результаты новейших исследований в области ответственного использования искусственного интеллекта, проведенных совместно с комитетом AETHER и его рабочими группами. Новые возможности ответственного машинного обучения, реализованные в Машинном обучении Azure, и наборы инструментов с открытым кодом позволяют разработчикам и специалистам по обработке и анализу данных понимать модели машинного обучения, защищать пользователей и их данные, а также управлять комплексным процессом машинного обучения.
- Понимание. Возможности интерпретации модели в Машинном обучении Azure и средства Fairlearn для оценки и устранения необъективности позволяют разрабатывать более точные и более объективные модели.
- Защита. Новый набор средств дифференциальной конфиденциальности WhiteNoise можно использовать совместно с Машинным обучением Azure, что позволит клиентам создавать модели машинного обучения на основе конфиденциальных данных без ущерба конфиденциальности отдельных пользователей. Набор разработан благодаря сотрудничеству корпорации Майкрософт и исследователей Института количественных социальных наук и Инженерной школы Гарвардского университета. Возможности машинного обучения с сохранением конфиденциальности позволяют группам обработки и анализа данных корпорации Майкрософт создавать модели на основе конфиденциальных данных в безопасной среде, которая не позволяет просматривать эти данные. Мы планируем предоставить эти возможности машинного обучения с сохранением конфиденциальности разработчикам и специалистам по обработке и анализу данных уже в этом году.
- Управление. Машинное обучение Azure предоставляет возможности для автоматического отслеживания журнала преобразований и ведения журнала аудита для ресурсов машинного обучения в соответствии с нормативными требованиями. Таблицы данных предоставляют стандартизированный метод документирования ресурсов машинного обучения и гарантируют прозрачность работы для специалистов по обработке и анализу данных, аудиторов и руководителей. Разработчики и специалисты по обработке и анализу данных уже сейчас могут использовать пользовательские теги Машинного обучения Azure для реализации таблиц данных о моделях.
Эти инновации в Машинном обучении Azure и набор инструментов с открытым кодом, в основе которых лежат результаты исследований за нескольких десятков лет, предоставляют организациям исчерпывающие возможности для ответственного подхода к разработке решений искусственного интеллекта.