Presentamos las tarjetas de servicio de IA de AWS: un nuevo recurso para mejorar la transparencia y promover la IA responsable

La inteligencia artificial (IA) y el aprendizaje automático (ML) son algunas de las tecnologías más transformadoras que encontraremos en nuestra generación, para abordar problemas comerciales y sociales, mejorar las experiencias de los clientes y estimular la innovación. Junto con el uso generalizado y la creciente escala de la IA, viene el reconocimiento de que todos debemos construir de manera responsable. En AWS, creemos que la IA responsable abarca una serie de dimensiones fundamentales, entre ellas:

• Equidad y sesgo– Cómo un sistema impacta diferentes subpoblaciones de usuarios (p. ej., por género, etnia)
• Explicabilidad– Mecanismos para comprender y evaluar los resultados de un sistema de IA
• Privacidad y Seguridad– Datos protegidos contra robo y exposición
• Robustez– Mecanismos para garantizar que un sistema de IA funcione de manera confiable
• Gobierno– Procesos para definir, implementar y hacer cumplir prácticas responsables de IA dentro de una organización
• Transparencia– Comunicar información sobre un sistema de IA para que las partes interesadas puedan tomar decisiones informadas sobre su uso del sistema

Nuestro compromiso de desarrollar IA y ML de manera responsable es parte integral de cómo construimos nuestros servicios, interactuamos con los clientes e impulsamos la innovación. También estamos comprometidos a proporcionar a los clientes herramientas y recursos para desarrollar y usar AI/ML de manera responsable, desde habilitar a los creadores de ML con un entorno de desarrollo totalmente administrado hasta ayudar a los clientes a incorporar servicios de AI en casos de uso comercial comunes.

Proporcionar a los clientes más transparencia.

Nuestros clientes quieren saber que la tecnología que utilizan se desarrolló de forma responsable. Quieren recursos y orientación para implementar esa tecnología de manera responsable en su propia organización. Y lo que es más importante, quieren asegurarse de que la tecnología que implementan sea para el beneficio de todos, especialmente de sus usuarios finales. En AWS, queremos ayudarlos a hacer realidad esta visión.

Para brindar la transparencia que piden los clientes, nos complace lanzar Tarjetas de servicio de IA de AWS, un nuevo recurso para ayudar a los clientes a comprender mejor nuestros servicios de IA de AWS. Las tarjetas de servicio de IA son una forma de documentación de IA responsable que brinda a los clientes un lugar único para encontrar información sobre los casos de uso previstos y las limitaciones, las opciones de diseño de IA responsable y las mejores prácticas de implementación y optimización del rendimiento para nuestros servicios de IA. Son parte de un proceso de desarrollo integral que llevamos a cabo para construir nuestros servicios de una manera responsable que aborde la equidad y el sesgo, la explicabilidad, la solidez, la gobernanza, la transparencia, la privacidad y la seguridad. En AWS re:Invent 2022, estamos poniendo a disposición las primeras tres tarjetas de servicio de IA: Amazon Rekognition: coincidencia de rostros, Amazon Textract – Analizar IDy Amazon Transcribe - Lote (inglés-EE. UU.).

Componentes de las tarjetas de servicio AI

Cada tarjeta de servicio AI contiene cuatro secciones que cubren:

• Conceptos básicos para ayudar a los clientes a comprender mejor el servicio o las características del servicio.
• Casos de uso previsto y limitaciones
• Consideraciones de diseño de IA responsable
• Orientación sobre la implementación y la optimización del rendimiento

El contenido de las Tarjetas de servicio de IA se dirige a una amplia audiencia de clientes, tecnólogos, investigadores y otras partes interesadas que buscan comprender mejor las consideraciones clave en el diseño y uso responsable de un servicio de IA.

Nuestros clientes utilizan IA en un conjunto cada vez más diverso de aplicaciones. los sección de casos de uso previsto y limitaciones proporciona información sobre los usos comunes de un servicio y ayuda a los clientes a evaluar si un servicio es adecuado para su aplicación. Por ejemplo, en Amazon Transcribe – Batch (English-US) Card describimos el caso de uso del servicio de transcribir vocabulario de uso general hablado en inglés de EE. UU. a partir de un archivo de audio. Si una empresa desea una solución que transcriba automáticamente un evento específico de un dominio, como una conferencia internacional de neurociencia, puede agregar vocabularios personalizados y modelos de lenguaje para incluir vocabulario científico a fin de aumentar la precisión de la transcripción.

En sección de diseño de cada tarjeta de servicio de IA, explicamos las consideraciones clave de diseño de IA responsable en áreas importantes, como nuestra metodología basada en pruebas, equidad y sesgo, explicabilidad y expectativas de rendimiento. Proporcionamos resultados de rendimiento de ejemplo en un conjunto de datos de evaluación que es representativo de un caso de uso común. Sin embargo, este ejemplo es solo un punto de partida, ya que alentamos a los clientes a probar sus propios conjuntos de datos para comprender mejor cómo funcionará el servicio en su propio contenido y casos de uso para brindar la mejor experiencia a sus clientes finales. Y esto no es una evaluación de una sola vez. Para construir de manera responsable, recomendamos un enfoque iterativo en el que los clientes prueben y evalúen periódicamente sus aplicaciones para determinar la precisión o el sesgo potencial.

En sección de prácticas recomendadas para la optimización del rendimiento y la implementación, presentamos las palancas clave que los clientes deben considerar para optimizar el rendimiento de su aplicación para la implementación en el mundo real. Es importante explicar cómo los clientes pueden optimizar el rendimiento de un sistema de IA que actúa como un componente de su aplicación o flujo de trabajo general para obtener el máximo beneficio. Por ejemplo, en la Tarjeta de coincidencia de rostros de Amazon Rekognition que cubre la adición de capacidades de reconocimiento facial a las aplicaciones de verificación de identidad, compartimos los pasos que los clientes pueden seguir para aumentar la calidad de las predicciones de coincidencia de rostros incorporadas en su flujo de trabajo.

Proporcionar recursos y capacidades de IA responsables

Ofrecer a nuestros clientes los recursos y las herramientas que necesitan para transformar la IA responsable de la teoría a la práctica es una prioridad constante para AWS. A principios de este año lanzamos nuestra Guía de uso responsable del aprendizaje automático que proporciona consideraciones y recomendaciones para el uso responsable de ML en todas las fases del ciclo de vida de ML. Las tarjetas de servicio de IA complementan nuestras guías para desarrolladores y publicaciones de blog existentes, que brindan a los desarrolladores descripciones de las características del servicio e instrucciones detalladas para usar nuestras API de servicio. Y con Amazon SageMaker aclarar y Monitor de modelo de Amazon SageMaker, ofrecemos capacidades para ayudar a detectar sesgos en conjuntos de datos y modelos y monitorear y revisar mejor las predicciones del modelo a través de la automatización y la supervisión humana.

Al mismo tiempo, seguimos avanzando en la IA responsable en otras dimensiones clave, como la gobernanza. Hoy, en re:Invent, lanzamos un nuevo conjunto de herramientas especialmente diseñadas para ayudar a los clientes a mejorar la gobernanza de sus proyectos de aprendizaje automático con Amazon SageMaker Role Manager, Amazon SageMaker Model Cards y Amazon SageMaker Model Dashboard. Aprenda más en el Blog de noticias de AWS y página web del NDN Collective sobre cómo estas herramientas ayudan a optimizar los procesos de gobierno de ML.

La educación es otro recurso clave que ayuda a promover la IA responsable. En AWS, nos comprometemos a crear la próxima generación de desarrolladores y científicos de datos en IA con el Programa de becas de IA y ML y Universidad de aprendizaje automático de AWS (MLU). Esta semana en re:Invent lanzamos un nuevo curso público de MLU sobre consideraciones de equidad y mitigación de sesgos en todo el ciclo de vida de ML. Impartido por los mismos científicos de datos de Amazon que capacitan a los empleados de AWS en ML, este curso gratuito presenta 9 horas de conferencias y ejercicios prácticos y es fácil de Empezar.

Tarjetas de servicio de IA: un nuevo recurso y un compromiso continuo

Estamos entusiasmados de traer un nuevo recurso de transparencia a nuestros clientes y a la comunidad en general y proporcionar información adicional sobre los usos previstos, las limitaciones, el diseño y la optimización de nuestros servicios de IA, informados por nuestro enfoque riguroso para crear servicios de IA de AWS de manera responsable. . Nuestra esperanza es que las tarjetas de servicio de IA actúen como un recurso de transparencia útil y un paso importante en el panorama en evolución de la IA responsable. Las tarjetas de servicio de IA seguirán evolucionando y expandiéndose a medida que interactuamos con nuestros clientes y la comunidad en general para recopilar comentarios y repetir continuamente nuestro enfoque.

Póngase en contacto con nuestro grupo de expertos en IA responsable para iniciar una conversación.

Sobre los autores

Vasi Philomin Actualmente es vicepresidente del equipo de IA de AWS para servicios en las áreas de tecnologías del lenguaje y del habla, como Amazon Lex, Amazon Polly, Amazon Translate, Amazon Transcribe/Transcribe Medical, Amazon Comprehend, Amazon Kendra, Amazon Code Whisperer, Amazon Monitron, Amazon Busque equipos y lentes de contacto/ID de voz para Amazon Connect, así como el laboratorio de soluciones de aprendizaje automático y la IA responsable.

Pedro Hallinan lidera iniciativas en la ciencia y la práctica de la IA responsable en AWS AI, junto con un equipo de expertos en IA responsable. Tiene una gran experiencia en IA (PhD, Harvard) y emprendimiento (Blindsight, vendido a Amazon). Sus actividades voluntarias han incluido servir como profesor consultor en la Facultad de Medicina de la Universidad de Stanford y como presidente de la Cámara de Comercio Estadounidense en Madagascar. Cuando es posible, se va a la montaña con sus hijos: esquí, escalada, senderismo y rafting.