如何从新手成为谷歌认证TensorFlow开发者？
|
在某些情况下，训练数据可以是自动的。例如，调整模型以适应不断变化的天气模式或供应链交付时间表，可以帮助使其随着时间的推移变得更加可靠。当信息源涉及恶意行为者时，则需要仔细管理训练数据集，以避免中毒和操纵。 企业已经在处理造成道德问题的算法，例如当面部识别或招聘平台歧视女性或少数族裔时。当偏见悄悄渗透到算法中时，它还可能造成合规问题，或者，在自动驾驶汽车和医疗应用的情况下，可能会导致人员死亡。 就像算法可以在预测中注入偏差一样，它们也可以用来控制偏差。例如，Othot帮助大学实现优化班级规模或实现财务目标。Othot的Abbatico说，在没有适当约束的情况下创建模型很容易造成偏见。“对偏见进行审查需要多花精力。添加与多样性相关的目标有助于建模理解目标，并有助于抵消偏见，如果不将多样性目标作为约束因素包括在内，偏见则很容易被纳入。” 人工智能的未来在云端 AI和ML系统需要大量的数据、复杂的算法和强大的处理器，这些处理器可以在需要时进行扩展。所有主要的云供应商都在争先恐后地提供数据科学平台，这些平台将所有东西都放在一个方便的地方。这意味着数据科学家不需要等待IT为他们配置服务器。他们只需上网，填写几张表格，就可以开业了。 根据德勤的AI调查，93%的企业正在使用某种形式的基于云的AI。德勤的Loucks说：“这让我们更容易上手。”然后，这些项目会变成运营系统，随着规模的扩大，配置问题会成倍增加。有了最新的服务，集中化、自动化的配置和安全管理仪表盘可能不可用，公司必须自己编写或等待供应商加快步伐填补空白。 当使用这些系统的人是公民数据科学家或理论研究人员，而他们在安全方面没有很强的背景时，这可能是一个问题。此外，供应商历来都是先推出新功能，然后再推出安全功能。当系统被快速部署，然后扩展得更快时，这可能会是一个问题。我们已经在物联网设备、云存储和容器上看到了这种情况。 Raff说，人工智能平台供应商越来越意识到这一威胁，并从错误中吸取了教训。他说：“我看到，考虑到历史上的‘安全放在最后’的心态，纳入安全内容的计划比我们原本预期的要积极得多。ML社区对此更为关注，延迟时间可能会更短。” 德勤(Deloitte)AI联席主管Irfan Saif对此表示赞同，特别是在涉及到支持大型企业AI工作负载的主要云平台时。就网络安全能力的演变而言，它们可能比之前的技术更成熟。 人工智能项目安全检查清单 以下这些帮助确保人工智能项目安全的清单摘自德勤的《企业中的人工智能状况》(第3版)：
 （编辑：平凉站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
