Présentation des cartes de service AWS AI : une nouvelle ressource pour améliorer la transparence et faire progresser l'IA responsable

L'intelligence artificielle (IA) et l'apprentissage automatique (ML) comptent parmi les technologies les plus transformatrices que nous rencontrerons dans notre génération, pour résoudre les problèmes commerciaux et sociétaux, améliorer l'expérience client et stimuler l'innovation. Parallèlement à l'utilisation généralisée et à l'échelle croissante de l'IA, il est reconnu que nous devons tous construire de manière responsable. Chez AWS, nous pensons que l'IA responsable englobe un certain nombre de dimensions fondamentales, notamment :

• Équité et partialité– Comment un système affecte différentes sous-populations d'utilisateurs (par exemple, par sexe, origine ethnique)
• Explicabilité– Mécanismes pour comprendre et évaluer les sorties d'un système d'IA
• Confidentialité et sécurité– Données protégées contre le vol et l'exposition
• La solidité des mécanismes :– Mécanismes pour garantir qu'un système d'IA fonctionne de manière fiable
• Gouvernance– Processus pour définir, mettre en œuvre et appliquer des pratiques d'IA responsables au sein d'une organisation
• Transparence– Communiquer des informations sur un système d'IA afin que les parties prenantes puissent faire des choix éclairés quant à leur utilisation du système

Notre engagement à développer l'IA et le ML de manière responsable fait partie intégrante de la façon dont nous construisons nos services, interagissons avec les clients et stimulons l'innovation. Nous nous engageons également à fournir aux clients des outils et des ressources pour développer et utiliser l'IA/ML de manière responsable, qu'il s'agisse de fournir aux constructeurs ML un environnement de développement entièrement géré ou d'aider les clients à intégrer des services d'IA dans des cas d'utilisation commerciale courants.

Offrir aux clients plus de transparence

Nos clients veulent savoir que la technologie qu'ils utilisent a été développée de manière responsable. Ils veulent des ressources et des conseils pour mettre en œuvre cette technologie de manière responsable dans leur propre organisation. Et surtout, ils veulent s'assurer que la technologie qu'ils déploient profite à tous, en particulier à leurs utilisateurs finaux. Chez AWS, nous voulons les aider à concrétiser cette vision.

Pour offrir la transparence que les clients demandent, nous sommes ravis de lancer Cartes de service AWS AI, une nouvelle ressource pour aider les clients à mieux comprendre nos services AWS AI. Les cartes de service IA sont une forme de documentation sur l'IA responsable qui fournit aux clients un emplacement unique pour trouver des informations sur les cas d'utilisation et les limites prévus, les choix de conception d'IA responsables et les meilleures pratiques de déploiement et d'optimisation des performances pour nos services d'IA. Ils font partie d'un processus de développement complet que nous entreprenons pour construire nos services de manière responsable qui traite de l'équité et de la partialité, de l'explicabilité, de la robustesse, de la gouvernance, de la transparence, de la confidentialité et de la sécurité. Lors d'AWS re:Invent 2022, nous mettons à disposition les trois premières cartes de service IA : Amazon Rekognition – Correspondance faciale, Texte Amazon – AnalyseIDet Amazon Transcribe – Lot (anglais-américain).

Composants des cartes de service AI

Chaque carte de service AI contient quatre sections couvrant :

• Concepts de base pour aider les clients à mieux comprendre le service ou les fonctionnalités du service
• Cas d'utilisation prévus et limitations
• Considérations sur la conception responsable de l'IA
• Conseils sur le déploiement et l'optimisation des performances

Le contenu des AI Service Cards s'adresse à un large public de clients, de technologues, de chercheurs et d'autres parties prenantes qui cherchent à mieux comprendre les considérations clés dans la conception et l'utilisation responsables d'un service d'IA.

Nos clients utilisent l'IA dans un ensemble d'applications de plus en plus diversifié. La section des cas d'utilisation prévus et des limites fournit des informations sur les utilisations courantes d'un service et aide les clients à évaluer si un service convient à leur application. Par exemple, dans la carte Amazon Transcribe - Batch (anglais-américain), nous décrivons le cas d'utilisation du service consistant à transcrire du vocabulaire à usage général parlé en anglais américain à partir d'un fichier audio. Si une entreprise souhaite une solution qui transcrit automatiquement un événement spécifique à un domaine, comme une conférence internationale sur les neurosciences, elle peut ajouter des vocabulaires personnalisés et des modèles de langage pour inclure le vocabulaire scientifique afin d'augmenter la précision de la transcription.

Dans le partie conception de chaque carte de service d'IA, nous expliquons les principales considérations de conception d'IA responsable dans des domaines importants, tels que notre méthodologie basée sur les tests, l'équité et les préjugés, l'explicabilité et les attentes en matière de performances. Nous fournissons des exemples de résultats de performances sur un ensemble de données d'évaluation représentatif d'un cas d'utilisation courant. Cet exemple n'est cependant qu'un point de départ, car nous encourageons les clients à tester sur leurs propres ensembles de données pour mieux comprendre comment le service fonctionnera sur leur propre contenu et cas d'utilisation afin d'offrir la meilleure expérience à leurs clients finaux. Et ce n'est pas une évaluation ponctuelle. Pour construire de manière responsable, nous recommandons une approche itérative où les clients testent et évaluent périodiquement leurs applications pour en vérifier l'exactitude ou les biais potentiels.

Dans le section bonnes pratiques pour le déploiement et l'optimisation des performances, nous exposons les principaux leviers que les clients doivent prendre en compte pour optimiser les performances de leur application en vue d'un déploiement dans le monde réel. Il est important d'expliquer comment les clients peuvent optimiser les performances d'un système d'IA qui agit comme un composant de leur application globale ou de leur flux de travail pour en tirer le maximum d'avantages. Par exemple, dans la carte Amazon Rekognition Face Matching qui couvre l'ajout de capacités de reconnaissance faciale aux applications de vérification d'identité, nous partageons les étapes que les clients peuvent suivre pour améliorer la qualité des prédictions de correspondance faciale intégrées dans leur flux de travail.

Fournir des ressources et des capacités d'IA responsables

Offrir à nos clients les ressources et les outils dont ils ont besoin pour transformer l'IA responsable de la théorie à la pratique est une priorité permanente pour AWS. Plus tôt cette année, nous avons lancé notre Guide d'utilisation responsable de l'apprentissage automatique qui fournit des considérations et des recommandations pour une utilisation responsable du ML à toutes les phases du cycle de vie du ML. Les cartes de service AI complètent nos guides de développement et nos articles de blog existants, qui fournissent aux constructeurs des descriptions des fonctionnalités de service et des instructions détaillées pour l'utilisation de nos API de service. Et avec Amazon SageMaker Clarifier ainsi que Moniteur de modèle Amazon SageMaker, nous proposons des fonctionnalités permettant de détecter les biais dans les ensembles de données et les modèles, et de mieux surveiller et examiner les prédictions des modèles grâce à l'automatisation et à la surveillance humaine.

Dans le même temps, nous continuons à faire progresser l'IA responsable dans d'autres dimensions clés, telles que la gouvernance. Chez re:Invent, nous avons lancé aujourd'hui un nouvel ensemble d'outils spécialement conçus pour aider les clients à améliorer la gouvernance de leurs projets ML avec Amazon SageMaker Role Manager, Amazon SageMaker Model Cards et Amazon SageMaker Model Dashboard. En savoir plus sur le Blog d'actualités AWS ainsi que site de NDN Collective sur la façon dont ces outils aident à rationaliser les processus de gouvernance ML.

L'éducation est une autre ressource clé qui contribue à faire progresser l'IA responsable. Chez AWS, nous nous engageons à former la prochaine génération de développeurs et de scientifiques des données en IA avec le programme de bourses AI et ML et Université d'apprentissage automatique AWS (MLU). Cette semaine, chez re:Invent, nous avons lancé un nouveau cours MLU public sur les considérations d'équité et l'atténuation des biais tout au long du cycle de vie du ML. Enseigné par les mêmes spécialistes des données d'Amazon qui forment les employés d'AWS au ML, ce cours gratuit comprend 9 heures de cours et d'exercices pratiques et il est facile de Commencer.

Cartes de service IA : une nouvelle ressource et un engagement continu

Nous sommes ravis d'apporter une nouvelle ressource de transparence à nos clients et à la communauté au sens large et de fournir des informations supplémentaires sur les utilisations prévues, les limites, la conception et l'optimisation de nos services d'IA, informés par notre approche rigoureuse pour créer des services AWS d'IA de manière responsable. . Nous espérons que les cartes de service IA agiront comme une ressource de transparence utile et une étape importante dans le paysage en évolution de l'IA responsable. Les cartes de service AI continueront d'évoluer et de se développer à mesure que nous nous engageons auprès de nos clients et de la communauté au sens large pour recueillir des commentaires et itérer continuellement sur notre approche.

Contactez notre groupe d'experts responsables en IA pour démarrer une conversation.

---

À propos des auteurs

Vasi Philomine est actuellement vice-président de l'équipe AWS AI pour les services dans les domaines des technologies linguistiques et vocales tels qu'Amazon Lex, Amazon Polly, Amazon Translate, Amazon Transcribe/Transcribe Medical, Amazon Comprehend, Amazon Kendra, Amazon Code Whisperer, Amazon Monitron, Amazon Recherchez l'équipement et les lentilles de contact/identification vocale pour Amazon Connect ainsi que le laboratoire de solutions d'apprentissage automatique et l'IA responsable.

Pierre Hallinan dirige des initiatives dans la science et la pratique de l'IA responsable chez AWS AI, aux côtés d'une équipe d'experts en IA responsable. Il possède une expertise approfondie en IA (PhD, Harvard) et en entrepreneuriat (Blindsight, vendu à Amazon). Ses activités bénévoles ont notamment été professeur consultant à la Stanford University School of Medicine et président de la Chambre de commerce américaine à Madagascar. Quand c'est possible, il part à la montagne avec ses enfants : ski, escalade, randonnée et rafting