भरोसा करें लेकिन सत्यापन करें! IBM क्लाउड (वाटसन ओपनस्केल) का उपयोग करके अपने मॉडल का परीक्षण कैसे करें

मशीन लर्निंग मॉडल द्वारा की गई भविष्यवाणियों पर भरोसा करने की समस्या अधिक से अधिक प्रासंगिक होती जा रही है। इस भविष्यवाणी के आधार पर निर्णय जितना अधिक महत्वपूर्ण है, उतना कम आत्मविश्वास। यह मुख्य रूप से इस तथ्य के कारण है कि यह हमेशा स्पष्ट है कि अंतिम निर्णय से क्या प्रभावित हुआ, क्या प्रारंभिक डेटा में कोई पूर्वाग्रह था, जिस पर मॉडल को प्रशिक्षित किया गया था, और अगर डेवलपर ने मापदंडों की गणना में गलतियां कीं। यह सब व्यवहार में मैन्युअल रूप से सत्यापित करना संभव नहीं है, इसलिए प्रबंधन के लिए एआई को लागू करना आसान नहीं है।

लेकिन क्या होगा अगर आप इस प्रक्रिया को स्वचालित करते हैं?

वॉटसन ओपनस्केल का परिचय, एक क्लाउड-आधारित समाधान है जो आपको न केवल अपने मॉडल की गुणवत्ता को नियंत्रित करने की अनुमति देता है, बल्कि उनके कारणों का पता लगाने और उन्हें खत्म करने के लिए भविष्यवाणियों में पूर्वाग्रह की उपस्थिति को भी ट्रैक करने की अनुमति देता है।

हम आपको बताएंगे कि यह क्या है और इसके साथ कैसे काम करना है।

पूर्वाग्रह - एक हिडन एआई समस्या

कल्पना कीजिए कि आप एक फुटबॉल मैच देख रहे हैं और कोई आपसे पूछता है कि 2018 में सबसे अच्छा खिलाड़ी कौन था। आप क्या जवाब देंगे? आगे पढ़ने से पहले एक बार रुकें और सोचें ... यदि आप अर्जेंटीना के प्रशंसक थे, तो सबसे अधिक संभावना है कि आप "मेस्सी" कहेंगे, यदि आप पुर्तगाल के प्रशंसक थे - तो आपका जवाब होगा "रोनाल्डो"। कोई और कहेगा कि मेस्सी सबसे अच्छा है, या शायद ड्ज़ुबा। इनमें से प्रत्येक उत्तर (आपके सिर में दिखाई देने वाले सहित) प्रत्येक व्यक्ति में निहित पूर्वाग्रह को दर्शाता है जो इस प्रश्न का उत्तर देता है। यह खिलाड़ी द्वारा सीधे प्रशंसा के कारण हो सकता है, या टीम के रूप में समग्र रूप से, या उस देश के लिए कुछ भावनाओं द्वारा, जिसके लिए टीम खड़ी है।

पूर्वाग्रह, दोनों सचेत और अचेतन, हमारे व्यवसाय के लगभग सभी पहलुओं में पाए जा सकते हैं। जब निर्णय लेने की बात आती है, तो कृत्रिम बुद्धिमत्ता एल्गोरिदम सहित, पूर्वाग्रह के महत्वपूर्ण परिणाम हो सकते हैं। धोखाधड़ी गतिविधि को पहचानने के लिए AI का उपयोग करने वाले बैंक पर विचार करें। कल्पना कीजिए कि इस मॉडल को विकसित करने वाले व्यक्ति ने एक डेटासेट का उपयोग किया था जिसमें सभी धोखाधड़ी लेनदेन एक निश्चित लिंग, राष्ट्रीयता या आय के स्तर के लोगों द्वारा किए गए थे। फिर, निश्चितता के एक महान सौदे के साथ, हम कह सकते हैं कि इस तरह के पक्षपाती डेटा पर प्रशिक्षित एक मॉडल इस पूर्वाग्रह को अपनी भविष्यवाणियों में ध्यान में रखेगा। इसके अलावा, चूंकि इस मॉडल (सटीक / रिकॉल) का वर्णन करने वाले मैट्रिक्स आदर्श के करीब होंगे (आखिरकार, सत्यापन समान डेटासेट की सदस्यता पर होता है), एल्गोरिथ्म के परिणामस्वरूप पूर्वाग्रह की उपस्थिति का पता लगाना एक कर्मचारी के लिए बेहद मुश्किल होगा। नतीजतन, इस तरह के एक मॉडल, यहां तक ​​कि उत्कृष्ट मीट्रिक मूल्यों के बावजूद, बहुत खराब तरीके से काम करेंगे, जो कि धोखाधड़ी वाले कार्यों के रूप में चिह्नित है और इसके विपरीत नहीं हैं, वास्तव में खतरनाक लेनदेन को छोड़ देते हैं। और यह सब स्रोत डेटा में पूर्वाग्रह (पूर्वाग्रह) के कारण है जिस पर मॉडल को प्रशिक्षित किया गया था।

एक भी बड़ी समस्या मॉडल के परिणामों में डेटा में किसी भी पूर्वाग्रह की अनुपस्थिति में पूर्वाग्रह की उपस्थिति हो सकती है। यह पैरामीटर भार के वितरण में त्रुटि के कारण हो सकता है, या मॉडल के प्रशिक्षण या आगे के प्रशिक्षण के दौरान नॉनलाइनियर परिवर्तनों के परिणामस्वरूप। इसलिए, यह न केवल डेटा प्रीप्रोसेसिंग के चरण में पूर्वाग्रह को खोजने के लिए बहुत महत्वपूर्ण है, बल्कि पूर्वाग्रह को एल्गोरिदम के परिणामों में प्रदर्शित होने से रोकने के लिए उत्पाद में परीक्षण और उपयोग के दौरान भविष्यवाणियों की लगातार निगरानी करता है।

यह ऐसी समस्याओं के कारण है कि एआई कई कंपनी मालिकों की नजर में अविश्वसनीय है।

क्या AI की मदद से AI सुधर सकता है?

आईबीएम वॉटसन ओपनस्केल क्लाउड समाधान प्रदान करता है, जो मॉडल प्रदर्शन और वास्तविक समय की भविष्यवाणी पूर्वाग्रह की निरंतर निगरानी करने में सक्षम बनाता है। यह न केवल समस्याओं की घटना का पता लगाता है, यह उनकी घटना का कारण ढूंढता है और भविष्यवाणियों में पूर्वाग्रह की उपस्थिति से बचने के लिए प्रारंभिक डेटा को सही करने के लिए एक विकल्प प्रदान करता है। IBM Watson OpenScale आपको मॉडल के संचालन की निरंतर निगरानी करने की अनुमति देता है, इसे पूर्वाग्रह के लिए जाँच रहा है।

कृत्रिम बुद्धिमत्ता मॉडल का उपयोग करने वाली कंपनियों के लिए एक और बड़ा सवाल मॉडलों की ब्लैक बॉक्स प्रकृति है। एक व्यवसाय स्वामी कैसे सत्यापित कर सकता है कि AI सही डेटा के आधार पर सही निर्णय ले रहा है? कृत्रिम बुद्धिमत्ता मॉडल के "व्यवहार" की व्याख्या कैसे करें? इन सवालों के "सरल" उत्तरों की कमी एक बड़ी समस्या है जिसका विशेषज्ञों ने हाल ही में सामना किया है। IBM Watson OpenScale इसे हल करता है। मॉडल द्वारा तैयार की गई भविष्यवाणी, IBM Watson OpenScale दो अलग-अलग स्पष्टीकरणों के साथ है जो आपको एल्गोरिथ्म के व्यवहार को समझने की अनुमति देता है। इसके कारण, प्रबंधकों के बीच विश्वास का स्तर बढ़ाने के लिए एक काफी ठोस संभावना दिखाई देती है और, परिणामस्वरूप, व्यवसाय में एआई के कार्यान्वयन में तेजी आती है।

तो वाटसन ओपनस्केल क्या है?

- आईबीएम क्लाउड पर उपलब्ध क्लाउड सेवा
लाइट खाते के ढांचे के भीतर मुफ्त उपयोग के साथ

- मॉडल के परिणामों की निगरानी और ट्रैकिंग
एक स्पष्ट और सुविधाजनक ग्राफिकल इंटरफ़ेस के साथ, व्यवसाय लक्ष्य पर प्रक्षेपण में मॉडल की गति और परिणामों की ट्रैकिंग


- व्यावसायिक उद्देश्यों के लिए ट्यूनिंग मॉडल
मॉडल के व्यावसायिक परिणाम मशीन सीखने के मॉडल के परिणामों में सुधार करने के लिए डेटा को समायोजित करने के लिए लगातार काम करते हैं



- प्रबंधन और मॉडल की डिकोडिंग
व्यापार प्रक्रियाओं में एआई समाधानों पर नज़र रखने और समझाने के साथ-साथ बुद्धिमान त्रुटि का पता लगाने और परिणामों में सुधार करने के लिए सुधार द्वारा नियामक अनुपालन का समर्थन करें।

IBM Watson OpenScale के साथ अपने पूर्वाग्रह मॉडल का परीक्षण करना चाहते हैं?

या शायद पता करें कि उसने विशिष्ट डेटा पर यह या वह निर्णय क्यों लिया?

मॉस्को में एक निशुल्क एक दिवसीय कार्यशाला में 9 जुलाई आओ, और आप कर सकते हैं:

• तंत्रिका नेटवर्क के प्रशिक्षण और संचालन के सिद्धांतों और सुविधाओं से परिचित होना
• प्रदान किए गए डेटासेट और विस्तृत निर्देशों का उपयोग करके विभिन्न प्रकार के तंत्रिका नेटवर्क को प्रशिक्षित करें
• वॉटसन ओपनस्केल प्लेटफॉर्म और आईबीएम एडवांसरियल रोबस्टनेस टूलबॉक्स (आईबीएम एआरटी) ओपन सोर्स लाइब्रेरी का उपयोग करके तंत्रिका नेटवर्क के संचालन का परीक्षण करें
• एआई क्षमताओं का प्रयास करें कि न्यूरनेट्स इंजन का उपयोग करके जल्दी से तंत्रिका नेटवर्क मॉडल बनाएं

सभी डेटा प्रोसेसिंग आईबीएम क्लाउड में होती है - आपको केवल एक लैपटॉप और एक ब्राउज़र की आवश्यकता होती है। पंजीकरण और विस्तृत जानकारी - यहाँ क्लिक करें ।