Introduktion af AWS AI Service Cards: En ny ressource til at øge gennemsigtigheden og fremme ansvarlig AI

Kunstig intelligens (AI) og machine learning (ML) er nogle af de mest transformative teknologier, vi vil støde på i vores generation – for at tackle forretningsmæssige og samfundsmæssige problemer, forbedre kundeoplevelser og anspore innovation. Sammen med den udbredte brug og voksende omfang af kunstig intelligens kommer erkendelsen af, at vi alle skal bygge ansvarligt. Hos AWS mener vi, at ansvarlig kunstig intelligens omfatter en række kernedimensioner, herunder:

• Retfærdighed og bias– Hvordan et system påvirker forskellige underpopulationer af brugere (f.eks. efter køn, etnicitet)
• Forklarlighed– Mekanismer til at forstå og evaluere output fra et AI-system
• Privatliv og sikkerhed– Data beskyttet mod tyveri og eksponering
• Robusthed– Mekanismer til at sikre, at et AI-system fungerer pålideligt
• Governance– Processer til at definere, implementere og håndhæve ansvarlig AI-praksis i en organisation
• Gennemsigtighed– Kommunikation af information om et AI-system, så interessenter kan træffe informerede valg om deres brug af systemet

Vores forpligtelse til at udvikle AI og ML på en ansvarlig måde er integreret i, hvordan vi opbygger vores tjenester, engagerer os med kunder og driver innovation. Vi er også forpligtet til at give kunderne værktøjer og ressourcer til at udvikle og bruge AI/ML ansvarligt, lige fra at give ML-byggere et fuldt administreret udviklingsmiljø til at hjælpe kunder med at integrere AI-tjenester i almindelige forretningsbrug.

Giver kunderne mere gennemsigtighed

Vores kunder vil gerne vide, at den teknologi, de bruger, er udviklet på en ansvarlig måde. De ønsker ressourcer og vejledning til at implementere denne teknologi ansvarligt i deres egen organisation. Og vigtigst af alt vil de sikre, at den teknologi, de ruller ud, er til alles fordel, især deres slutbrugeres. Hos AWS ønsker vi at hjælpe dem med at føre denne vision ud i livet.

For at levere den gennemsigtighed, som kunderne efterspørger, er vi glade for at lancere AWS AI servicekort, en ny ressource til at hjælpe kunder med bedre at forstå vores AWS AI-tjenester. AI-servicekort er en form for ansvarlig AI-dokumentation, der giver kunderne et enkelt sted at finde information om de tilsigtede brugssager og begrænsninger, ansvarlige AI-designvalg og bedste praksis for implementering og ydeevneoptimering for vores AI-tjenester. De er en del af en omfattende udviklingsproces, vi påtager os at bygge vores tjenester på en ansvarlig måde, der adresserer retfærdighed og bias, forklarlighed, robusthed, styring, gennemsigtighed, privatliv og sikkerhed. Hos AWS re:Invent 2022 stiller vi de første tre AI-servicekort til rådighed: Amazon-genkendelse – Face Matching, Amazon Textract – AnalyseIDog Amazon Transskribering – Batch (engelsk-US).

Komponenter af AI-servicekortene

Hvert AI-servicekort indeholder fire sektioner, der dækker:

• Grundlæggende koncepter til at hjælpe kunder med bedre at forstå tjenesten eller servicefunktionerne
• Tilsigtede anvendelsestilfælde og begrænsninger
• Ansvarlige AI-designovervejelser
• Vejledning om implementering og optimering af ydeevne

Indholdet af AI-servicekortene henvender sig til et bredt publikum af kunder, teknologer, forskere og andre interessenter, der søger at bedre forstå nøgleovervejelser i det ansvarlige design og brug af en AI-tjeneste.

Vores kunder bruger kunstig intelligens i et stadig mere forskelligartet sæt af applikationer. Det afsnittet om tilsigtede anvendelsestilfælde og begrænsninger giver information om almindelige anvendelser af en tjeneste og hjælper kunder med at vurdere, om en tjeneste passer godt til deres applikation. I Amazon Transcribe – Batch (engelsk-US) Card beskriver vi f.eks. tilfældet med servicebrug, hvor man transskriberer almindeligt ordforråd talt på amerikansk engelsk fra en lydfil. Hvis en virksomhed ønsker en løsning, der automatisk transskriberer en domænespecifik begivenhed, såsom en international neurovidenskabskonference, kan de tilføje brugerdefinerede ordforråd og sprogmodeller til at inkludere videnskabeligt ordforråd for at øge nøjagtigheden af ​​transskriptionen.

I design sektion af hvert AI-servicekort forklarer vi vigtige ansvarlige AI-designovervejelser på tværs af vigtige områder, såsom vores testdrevne metodik, retfærdighed og bias, forklarlighed og præstationsforventninger. Vi leverer eksempler på præstationsresultater på et evalueringsdatasæt, der er repræsentativt for en almindelig use case. Dette eksempel er dog kun et udgangspunkt, da vi opfordrer kunder til at teste på deres egne datasæt for bedre at forstå, hvordan tjenesten vil præstere på deres eget indhold og bruge cases for at levere den bedste oplevelse for deres slutkunder. Og dette er ikke en engangsevaluering. For at bygge på en ansvarlig måde anbefaler vi en iterativ tilgang, hvor kunder med jævne mellemrum tester og evaluerer deres applikationer for nøjagtighed eller potentiel bias.

I afsnittet om bedste praksis for implementering og ydeevneoptimering, opstiller vi nøglegreb, som kunder bør overveje for at optimere ydeevnen af ​​deres applikation til implementering i den virkelige verden. Det er vigtigt at forklare, hvordan kunder kan optimere ydeevnen af ​​et AI-system, der fungerer som en komponent i deres overordnede applikation eller arbejdsgang for at få det maksimale udbytte. For eksempel, i Amazon Rekognition Face Matching Card, der dækker tilføjelse af ansigtsgenkendelsesfunktioner til identitetsbekræftelsesapplikationer, deler vi trin, kunder kan tage for at øge kvaliteten af ​​de ansigtsmatchningsforudsigelser, der er indarbejdet i deres workflow.

Levering af ansvarlige AI-ressourcer og -kapaciteter

At tilbyde vores kunder de ressourcer og værktøjer, de har brug for til at transformere ansvarlig AI fra teori til praksis, er en løbende prioritet for AWS. Tidligere i år lancerede vi vores Ansvarlig brug af Machine Learning guide der giver overvejelser og anbefalinger til ansvarlig brug af ML på tværs af alle faser af MLs livscyklus. AI-servicekort supplerer vores eksisterende udviklervejledninger og blogindlæg, som giver bygherrer beskrivelser af servicefunktioner og detaljerede instruktioner til brug af vores service-API'er. Og med Amazon SageMaker Clarify , Amazon SageMaker Model Monitor, tilbyder vi muligheder for at hjælpe med at opdage skævheder i datasæt og modeller og bedre overvåge og gennemgå modelforudsigelser gennem automatisering og menneskelig overvågning.

Samtidig fortsætter vi med at fremme ansvarlig AI på tværs af andre nøgledimensioner, såsom governance. Hos re:Invent lancerede vi i dag et nyt sæt specialbyggede værktøjer til at hjælpe kunder med at forbedre styringen af ​​deres ML-projekter med Amazon SageMaker Role Manager, Amazon SageMaker Model Cards og Amazon SageMaker Model Dashboard. Lær mere på AWS News blog , hjemmeside om, hvordan disse værktøjer hjælper med at strømline ML governance processer.

Uddannelse er en anden nøgleressource, der hjælper med at fremme ansvarlig AI. Hos AWS er ​​vi forpligtet til at bygge den næste generation af udviklere og dataforskere inden for AI med AI og ML Scholarship Program og AWS Machine Learning University (MLU). I denne uge på re:Invent lancerede vi et nyt, offentligt MLU-kursus om retfærdighedsovervejelser og bias mitigation på tværs af ML livscyklus. Undervist af de samme Amazon-dataforskere, som træner AWS-medarbejdere i ML, dette gratis kursus indeholder 9 timers forelæsninger og praktiske øvelser, og det er nemt at kom igang.

AI Service Cards: En ny ressource – og en løbende forpligtelse

Vi er glade for at bringe en ny gennemsigtighedsressource til vores kunder og det bredere fællesskab og give yderligere oplysninger om den påtænkte anvendelse, begrænsninger, design og optimering af vores AI-tjenester, baseret på vores strenge tilgang til at opbygge AWS AI-tjenester på en ansvarlig måde . Vores håb er, at AI-servicekort vil fungere som en nyttig gennemsigtighedsressource og et vigtigt skridt i det udviklende landskab for ansvarlig AI. AI Service Cards vil fortsætte med at udvikle sig og udvide, efterhånden som vi engagerer os med vores kunder og det bredere samfund for at indsamle feedback og løbende gentage vores tilgang.

Kontakt vores gruppe af ansvarlige AI-eksperter at starte en samtale.

---

Om forfatterne

Vasi Philomin er i øjeblikket Vice President i AWS AI-teamet for tjenester inden for sprog- og taleteknologiområder som Amazon Lex, Amazon Polly, Amazon Translate, Amazon Transcribe/Transcribe Medical, Amazon Comprehend, Amazon Kendra, Amazon Code Whisperer, Amazon Monitron, Amazon Hold øje med udstyr og kontaktlinse/stemme-id til Amazon Connect samt Machine Learning Solutions Lab og Responsible AI.

Peter Hallinan leder initiativer inden for videnskab og praksis af ansvarlig AI hos AWS AI sammen med et team af ansvarlige AI-eksperter. Han har dyb ekspertise inden for kunstig intelligens (PhD, Harvard) og iværksætteri (Blindsight, solgt til Amazon). Hans frivillige aktiviteter har inkluderet at tjene som rådgivende professor ved Stanford University School of Medicine og som præsident for American Chamber of Commerce på Madagaskar. Når det er muligt, er han afsted i bjergene med sine børn: skiløb, klatring, vandreture og rafting