本文主要是介绍在整个价值链构建负责任的 AI，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
在整个价值链构建负责任的 AI：从数据到部署，以合乎伦理道德的方式构建 AI
构建合乎伦理道德的 AI 是所有人工智能企业的责任，这一点再怎么强调都不为过。负责任或合乎伦理道德的 AI 能够做到公正、公平，并能改善AI服务人群的生活质量。在实践中，这要求 AI 实践者将伦理道德框架应用于构建 AI 的每项工作之中，确保所涉及的人员、流程和工具服务于这项更重大的使命。
在整个 AI 价值链中，负责任的 AI 应该在一些关键接触点发挥作用。如果 AI 开发者忽略了任何一个接触点，就会导致 AI 项目因不符合公平公正原则而面临风险。AI 实践者在构建负责任的 AI 时，首先应了解价值链各环节间如何相互影响，以及每一环节需要考虑的因素。
AI 开发周期
在开发 AI 项目之前，您的团队可以先采取一些行动，为打造合乎伦理道德的 AI 产品奠定基础。
了解产品必须遵守的法规。这些法规因地区不同而有所差异；例如，《通用数据保护条例》(GDPR) 适用于欧盟地区的 AI 开发应用。
从负责任的角度出发，建立一个 AI 治理框架。在框架中列出指导性问题，帮助您明确 AI 开发生命周期中需要考虑的关键因素。数据治理尤其应该成为重点关注领域，因为它对模型性能具有重大影响。
招募多元化的数据科学家和研究人员团队，为 AI 开发带来不同的视角和经验。
完成上述几个初始行动后，您可以更好地在 AI 构建过程中做出负责任的决策。一旦确定了需要解决的业务问题，AI 价值链便从数据采集开始，通过部署逐步向前推进，然后在后期制作的再训练过程中不断循环。我们将介绍每个环节需要考虑的与负责任的 AI 有关的关键因素：
数据采集
在采集数据时，要尽可能保证数据的完整性和广泛性。数据所代表的最终用户类型（尤其是数据各自的使用场景）越多，您的 AI 就能更好地服务于各类群体。只有当 AI 产品公平地为每一个人服务时，才能构建合乎伦理道德的 AI，而代表性数据就是建立公平的基础。
如果是从第三方获取数据，则理应由双方共同承担责任，确保数据无偏见。此外，最好不要做任何假设。例如，在采集科学家的图像数据时，不能假设数据集或所有统计数据已代表全部类型的科学家。即使您早已了解数据的完整性和广泛性有多重要，最后您还需要付诸行动，仔细检查数据质量，以确保数据涵盖所有可能存在的使用场景。
数据准备
通常，当我们在谈论负责任的 AI 并提到与数据准备有关的内容时，我们的关注点是标注过程本身，并且目标是采用准确和无偏见原则进行标注。确实，这一点十分关键，会影响到最终模型性能中的偏见程度。数据准备的关键在于通过招募多元化群体（最好能够广泛代表您的最终用户）来提供数据标注。多元化群体能够带来不同的视角，并减少片面化的判断。
在数据准备中，我们往往会忽略数据背后的个体待遇。作为 AI 实践者，必须确保这些个体得到公平对待，因为他们是 AI 价值链中重要却不被重视的一部分。公平待遇包括提供公平薪酬、保护隐私权以及提供开放的反馈渠道。（想要了解澳鹏是如何为标注员提供福祉，请参阅《众包伦理道德规范》）。
模型训练和测试
负责任的 AI 不仅与数据有关。当您构建好模型并开始使用准备好的数据对模型进行训练时，您将需要监测模型性能。性能评估的最常见指标是模型预测的准确性（例如，对于捕捉人们过马路的图像，模型是否总能识别出其中的行人？）。
然而，在评估准确性时需要关注更多细微差别。您需要针对各个最终用户群体来评估模型的准确性。您选择的群体取决于您需要解决的问题，但在与受保护群体（即在种族或性别等方面具有共同特征并且受法律保护的群体）接触时，请时刻留意一个问题，即在为保护群体与非保护群体提供服务时，模型是否能够做到公平公正？如果无法做到，您可能需要使用其他数据重新训练模型，这些数据要能够代表被模型差别对待的群体。
除了评估模型准确性外，还可以考虑增加一个直接评估偏见的指标。虽然增加偏见评估指标可以帮助您快速发现与偏见有关的实例，但不应以此取代常规的人工质量检查。请注意，如果您需要进一步了解如何将这项指标添加到任务面板，可以使用提供此功能的软件选项。
后期处理
在完成模型部署后，持续评估模型在各用户群体中的表现，并检查模型是否按照预期运作。在这过程中，确保用户能轻松提供反馈是一项重要工作，这能够帮助您尽快发现并解决问题。
如果您从不对模型进行重新训练，模型性能就会随着时间的推移而逐渐降低；大多数模型并不在静态环境中运行，而是会经常遇到新的不断变化的数据。您需要重新采集数据并在剩余的 AI 开发周期中，定期使用新数据来重新训练模型。
构建负责任的 AI 的后续步骤
如果从全局来看，我们仍然需要不断推动负责任的 AI 向前发展。更多企业需要明白，负责任的 AI 是获得成功的必要条件，它是一项重要的工作任务，而不仅仅只是一种锦上添花。如果有更多企业能够接受这一概念，或许未来就不需要制定可能会妨碍 AI 发展的严格法规。
作为 AI 实践者，您目前还能采取哪些行动来推动负责任的 AI 继续向前发展？您可以持续关注与符合伦理道德的 AI 有关的最新消息，了解不同行业对负责任的 AI 的看法，以及向客户和标注员寻求定期反馈。详细记录您在开发过程中所做的选择和使用的工具，帮助解决 AI 的可解释性问题，协助我们所有人更好地了解这些创新理念的运作方式。最重要的是，在整个 AI 开发周期中，以公平和包容的方式开展各种项目。
这篇关于在整个价值链构建负责任的 AI的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
