Progettazione di piattaforme e modelli per un'IA responsabile: progettare e costruire modelli di apprendimento automatico resilienti, privati, equi e trasparenti

Recensioni dei lettori

Il libro “Platform and Model Design for Responsible AI” di Amita Kapoor e Sharmistha Chatterjee è una guida completa per i professionisti che si occupano di IA, incentrata sulla valutazione dei rischi, sulla progettazione di modelli etici e sulle pratiche di IA responsabile. Il libro affronta la necessità critica di trasparenza ed equità nei sistemi di IA, fornendo al contempo una guida pratica sull'implementazione di considerazioni etiche nello sviluppo di ML.

Il libro è ben strutturato e fornisce una copertura chiara e dettagliata degli argomenti essenziali relativi all'IA responsabile, tra cui la valutazione del rischio, la gestione della privacy, la correttezza, l'etica e l'ottimizzazione dei modelli. È apprezzato per la sua chiarezza, la guida pratica, gli esempi reali e l'esplorazione approfondita di concetti complessi. Inoltre, è considerato una risorsa preziosa per un pubblico ampio, che comprende professionisti, pianificatori di politiche e persone che si avvicinano al settore.

Il libro è molto vasto (oltre 500 pagine), il che potrebbe risultare eccessivo per alcuni lettori. Richiede una solida conoscenza dell'apprendimento automatico e delle tecnologie correlate per poter beneficiare appieno dei suoi contenuti. Inoltre, alcune recensioni hanno notato che l'estetica del materiale visivo potrebbe essere migliorata.

(basato su 15 recensioni dei lettori)

Titolo originale:

Platform and Model Design for Responsible AI: Design and build resilient, private, fair, and transparent machine learning models

Contenuto del libro:

Realizzare progetti di IA etica con caratteristiche di privacy, equità e valutazione del rischio per sistemi scalabili e distribuiti, mantenendo al contempo spiegabilità e sostenibilità.

L'acquisto del libro stampato o del Kindle include un eBook PDF gratuito.

Caratteristiche principali:

⬤ Apprendere la valutazione del rischio per i framework di apprendimento automatico in un panorama globale.

⬤ Scoprire i modelli per gli ecosistemi di IA di prossima generazione per la progettazione di prodotti di successo.

⬤ Eseguire previsioni spiegabili per l'addestramento ML compatibile con la privacy e l'equità.

Descrizione del libro:

Gli algoritmi di IA sono onnipresenti e utilizzati per compiti che vanno dal reclutamento alla decisione di chi otterrà un prestito. Con un uso così diffuso dell'IA nel processo decisionale, è necessario costruire un sistema di IA spiegabile, responsabile, trasparente e affidabile. Con Platform and Model Design for Responsible AI, sarete in grado di rendere trasparenti i modelli esistenti a scatola nera.

Sarete in grado di identificare ed eliminare le distorsioni nei vostri modelli, di gestire l'incertezza derivante dai limiti dei dati e dei modelli e di fornire una soluzione di IA responsabile. Inizierete con la progettazione di modelli etici per modelli di ML tradizionali e di deep learning, nonché con la loro implementazione in una configurazione di produzione sostenibile. In seguito, imparerete a impostare pipeline di dati, a convalidare set di dati e a configurare microservizi componenti in modo sicuro e privato in qualsiasi framework cloud-agnostic. Costruirete quindi un modello di ML equo e privato con vincoli adeguati, metterete a punto gli iperparametri e valuterete le metriche del modello.

Alla fine di questo libro, conoscerete le migliori pratiche per rispettare le leggi sulla privacy e sull'etica dei dati, oltre alle tecniche necessarie per l'anonimizzazione dei dati. Sarete in grado di sviluppare modelli spiegabili, di memorizzarli in archivi di caratteristiche e di gestire l'incertezza nelle previsioni dei modelli.

Che cosa imparerete?

⬤ Comprendere le minacce e i rischi legati ai modelli di ML.

⬤ Scoprire i vari livelli di strategie di mitigazione del rischio e gli strumenti di classificazione del rischio.

⬤ Applicare in modo efficiente tecniche di ottimizzazione tradizionali e di deep learning.

⬤ Costruire modelli di ML e archivi di funzionalità verificabili e interpretabili.

⬤ Comprendere il concetto di incertezza ed esplorare gli strumenti di spiegabilità dei modelli.

⬤ Sviluppare modelli per diversi cloud, tra cui AWS, Azure e GCP.

⬤ Esplorare strumenti di orchestrazione ML come Kubeflow e Vertex AI.

⬤ Incorporare la privacy e l'equità nei modelli di ML dalla progettazione all'implementazione.

A chi è rivolto questo libro:

Questo libro si rivolge ai professionisti esperti dell'apprendimento automatico che desiderano comprendere i rischi e le perdite dei modelli e dei framework di ML e imparare a sviluppare e utilizzare componenti riutilizzabili per ridurre gli sforzi e i costi di configurazione e manutenzione dell'ecosistema AI.