Azure ile Sorumlu AI

Veri bilimcisi olan Susan bir çevrimiçi akış platformunda çalışıyor. Şirketi gelecek ay yeni bir program başlatıyor ve Susan’dan programı izlemekle ilgilenecek ve dolayısıyla program davetini içeren promosyon e-postasını alacak müşterileri belirlemesi istendi.

İlk modeli, geçmiş verileri üzerinde %90 doğruluğa sahip. Bu oran doğru olamayacak kadar iyi göründüğünden, güvenilirliğinden emin olmak için model davranışını anlamak istiyor.

Model yorumlanabilirliği sayesinde makine öğrenmesi modelleri artık bir kara kutu değil. Susan’ın eğitim zamanında model davranışını anlamasına ve bir hatayı belirlemesine yardımcı oldu. Bu sayede üretimde kötü performans gösterebilecek bir modeli kullanıma sunmaktan kaçınabildi.

Yorumlanabilirliğin çıkarım zamanında da desteklenmesi, model tahminlerinin müşteriler açısından şeffaf olmasını sağlıyor. Bu da, sorumlu AI’ın temel ilkelerinden biridir.

Azure ML’de Model Yorumlanabilirliği InterpretML Bu tanıtım için Github deposu

Veri bilimcisi olan Joe bir BT şirketinde çalışıyor. İşe alma ekibi geliştirici rolleri için yapılan iş başvurularına boğulmuş durumda ve Joe’dan görüşme yapılacak adaylarla ilgili öneride bulunacak bir model oluşturması istendi. İlk modeli %85’in üzerinde bir doğruluk gösteriyor. Ama Joe’nun içi rahat değil çünkü şirketi geçmişte üniversiteden dereceyle mezun olanları işe alıyordu ve modelinin diploma, sertifika veya uygun deneyim sahibi diğer adaylara ayrımcı davranmadığından emin olmak istiyor.

Modelinde herhangi bir yanlılık olup olmadığını görmek için Azure ML’ye yöneliyor.

Joe, Azure ML’de Fairlearn ile modelini üretime geçirmeden önce modeldeki doğal yanlılığı hızla belirleyip azaltabildi. Bu yanlılık şirket açısından hem değerli adayları kaybetme hem de saygınlığını yitirme riski doğuruyordu. Yerleşik yanlılık azaltma seçenekleriyle yanlılığı şeffaf bir şekilde giderebildi.

Fairlearn, AI sistemlerinin kapsayıcı olmasını ve herkese eşit yaklaşmasını sağlıyor. Bu, sorumlu AI’ın önemli ilkelerinden birini oluşturuyor.

Azure ML’de model eşitliği Fairlearn Araç Seti Bu tanıtım için Github deposu

Veri bilimcisi olan Anna hasta yeniden kabul oranlarını tahmin edecek bir model üzerinde çalışıyordu ama hasta verilerinin gizliliğine yönelik yasal düzenlemelerden dolayı erişebildiği düzenlenmiş veya maskelenmiş verilerin onu kısıtladığını düşünüyordu.

İlk modellerinde dağıtım için gereken tahmin gücü olmadığından, şirket içi uyumluluk ekibiyle birlikte çalışarak ve Azure ML’nin içindeki SmartNoise değişiklik gizliliği araç setini kullanarak bir yandan gizliliği korumaya devam ederken daha eksiksiz bir veri kümesi ortaya çıkardı.

Anna, Azure ML’de SmartNoise ile hassas verilerin gizliliğini riske atmadan makine öğrenmesi modelini güvenle oluşturabildi. Bu sayede makine öğrenmesini etkili bir şekilde kullanabildi ve sonuçları önemli ölçüde geliştirdi. Bunun yanı sıra uyumluluk ekibi de hassas verilerin açığa çıkmadığını kanıtlayabileceğinden emin oldu.

SmartNoise değişiklik gizliliği tekniklerini kullanarak makine öğrenmesi gerçekleştirirken sorumlu AI’ın önemli ilkelerinden biri olan gizliliğe de saygı duyulmasını sağlıyor.

Azure ML’de SmartNoise SmartNoise Araç Seti Bu tanıtım için Github deposu