آموزش هوش مصنوعی مسئولانه با Amazon SageMaker AI - آخرین آپدیت

مقدمه Introduction

• خوش‌آمدگویی به دوره هوش مصنوعی مسئولانه با Amazon SageMaker Welcome to responsible AI with Amazon SageMaker

۱. شناسایی سوگیری در مدل‌ها 1. Detecting Bias in Models

• شناسایی سوگیری در مراحل پس از آموزش و تولید Detecting bias in post-training and production

• ارزیابی سوگیری در داده‌های پیش از آموزش Evaluating bias in pretraining data

• راهکار: شناسایی سوگیری در داده‌ها Solution: Identify bias in data

• چالش: شناسایی سوگیری در داده‌ها Challenge: Identify bias in data

• درک مفهوم سوگیری در یادگیری ماشین Understanding bias in machine learning

• بررسی SageMaker Clarify برای شناسایی سوگیری Exploring SageMaker Clarify for bias detection

۲. توضیح و ارزیابی مدل‌ها 2. Explaining and Evaluating Models

• ارزیابی مدل‌های پایه (Foundation Models) Evaluate foundation models

• تفسیر پیش‌بینی‌های مدل Interpret model predictions

• درک قابلیت توضیح‌پذیری در هوش مصنوعی Understanding explainability in AI

• استفاده از SageMaker Clarify برای توضیح‌پذیری مدل Use SageMaker Clarify for model explainability

• راهکار: توضیح پیش‌بینی‌های یک مدل Solution: Explain a model's predictions

• چالش: توضیح پیش‌بینی‌های یک مدل Challenge: Explain a model's predictions

۳. ادغام قابلیت توضیح‌پذیری با گردش‌کارها 3. Integrating Explainability with Workflows

• راهکار: تحلیل پیش‌بینی‌های مدل با استفاده از Autopilot Solution: Analyze model predictions using Autopilot

• تحلیل پیش‌بینی‌های مدل Analyze model predictions

• مدیریت دسترسی‌های مدل Manage model permissions

• ادغام SageMaker Clarify با Autopilot Integrate SageMaker Clarify with Autopilot

• متمرکز کردن نظارت بر مدل Centralize model monitoring

• درک حاکمیت یادگیری ماشین (ML Governance) Understand machine learning (ML) governance

• چالش: تحلیل پیش‌بینی‌های مدل با استفاده از Autopilot Challenge: Analyze model predictions using Autopilot

جمع‌بندی Conclusion

• مسیر شما در هوش مصنوعی مسئولانه Your responsible AI journey