Vi introduserer AWS AI Service Cards: En ny ressurs for å øke åpenheten og fremme ansvarlig AI

Kunstig intelligens (AI) og maskinlæring (ML) er noen av de mest transformative teknologiene vi vil møte i vår generasjon – for å takle forretnings- og samfunnsproblemer, forbedre kundeopplevelser og stimulere til innovasjon. Sammen med den utbredte bruken og økende omfanget av AI kommer erkjennelsen av at vi alle må bygge ansvarlig. Hos AWS tror vi ansvarlig AI omfatter en rekke kjernedimensjoner, inkludert:

• Rettferdighet og partiskhet– Hvordan et system påvirker ulike underpopulasjoner av brukere (f.eks. etter kjønn, etnisitet)
• Forklarbarhet– Mekanismer for å forstå og evaluere utdataene til et AI-system
• Personvern og sikkerhet– Data beskyttet mot tyveri og eksponering
• Robusthet– Mekanismer for å sikre at et AI-system fungerer pålitelig
• Governance– Prosesser for å definere, implementere og håndheve ansvarlig AI-praksis i en organisasjon
• Åpenhet– Kommunisere informasjon om et AI-system slik at interessenter kan ta informerte valg om bruken av systemet

Vår forpliktelse til å utvikle AI og ML på en ansvarlig måte er integrert i hvordan vi bygger våre tjenester, engasjerer oss med kunder og driver innovasjon. Vi er også forpliktet til å gi kundene verktøy og ressurser for å utvikle og bruke AI/ML på en ansvarlig måte, fra å gi ML-byggere et fullt administrert utviklingsmiljø til å hjelpe kunder med å bygge inn AI-tjenester i vanlige forretningsbruk.

Gi kundene mer åpenhet

Våre kunder ønsker å vite at teknologien de bruker er utviklet på en ansvarlig måte. De ønsker ressurser og veiledning for å implementere den teknologien ansvarlig i sin egen organisasjon. Og viktigst av alt, de ønsker å sikre at teknologien de ruller ut er til alles fordel, spesielt sluttbrukernes. Hos AWS ønsker vi å hjelpe dem å bringe denne visjonen ut i livet.

For å levere åpenheten som kundene ber om, er vi glade for å lansere AWS AI servicekort, en ny ressurs for å hjelpe kundene med å forstå AWS AI-tjenestene våre bedre. AI Service Cards er en form for ansvarlig AI-dokumentasjon som gir kundene ett enkelt sted for å finne informasjon om tiltenkte brukstilfeller og begrensninger, ansvarlige AI-designvalg og beste praksiser for distribusjon og ytelsesoptimalisering for våre AI-tjenester. De er en del av en omfattende utviklingsprosess vi påtar oss for å bygge våre tjenester på en ansvarlig måte som adresserer rettferdighet og skjevhet, forklarbarhet, robusthet, styring, åpenhet, personvern og sikkerhet. På AWS re:Invent 2022 gjør vi de tre første AI-servicekortene tilgjengelige: Amazon Rekognition – Face Matching, Amazon Textract – AnalyseIDog Amazon Transkribering – Batch (engelsk-US).

Komponenter av AI Service Cards

Hvert AI-servicekort inneholder fire seksjoner som dekker:

• Grunnleggende konsepter for å hjelpe kundene bedre å forstå tjenesten eller tjenestefunksjonene
• Tiltenkte brukstilfeller og begrensninger
• Ansvarlig AI-designhensyn
• Veiledning om distribusjon og ytelsesoptimalisering

Innholdet i AI-tjenestekortene henvender seg til et bredt publikum av kunder, teknologer, forskere og andre interessenter som søker å bedre forstå nøkkelhensyn i ansvarlig utforming og bruk av en AI-tjeneste.

Våre kunder bruker AI i et stadig mer mangfoldig sett med applikasjoner. De delen om tiltenkt bruk og begrensninger gir informasjon om vanlige bruksområder for en tjeneste, og hjelper kundene med å vurdere om en tjeneste passer for deres applikasjon. For eksempel, i Amazon Transcribe – Batch (engelsk-US)-kortet beskriver vi tjenestebrukstilfellet med å transkribere generell vokabular som snakkes på amerikansk engelsk fra en lydfil. Hvis et selskap ønsker en løsning som automatisk transkriberer en domenespesifikk hendelse, for eksempel en internasjonal nevrovitenskapskonferanse, kan de legge til tilpassede vokabularer og språkmodeller for å inkludere vitenskapelig vokabular for å øke nøyaktigheten av transkripsjonen.

på designdelen av hvert AI-servicekort forklarer vi viktige hensyn til ansvarlig AI-design på tvers av viktige områder, som vår testdrevne metodikk, rettferdighet og skjevhet, forklarbarhet og ytelsesforventninger. Vi gir eksempler på ytelsesresultater på et evalueringsdatasett som er representativt for et vanlig brukstilfelle. Dette eksemplet er imidlertid bare et utgangspunkt, da vi oppfordrer kunder til å teste på sine egne datasett for bedre å forstå hvordan tjenesten vil yte seg på deres eget innhold og brukssaker for å levere den beste opplevelsen for sluttkundene sine. Og dette er ikke en engangsevaluering. For å bygge på en ansvarlig måte, anbefaler vi en iterativ tilnærming der kunder med jevne mellomrom tester og evaluerer applikasjonene sine for nøyaktighet eller potensiell skjevhet.

på beste praksis for distribusjon og ytelsesoptimalisering, legger vi ut nøkkelspaker som kunder bør vurdere for å optimere ytelsen til applikasjonen deres for implementering i den virkelige verden. Det er viktig å forklare hvordan kunder kan optimalisere ytelsen til et AI-system som fungerer som en komponent i deres generelle applikasjon eller arbeidsflyt for å få maksimalt utbytte. For eksempel, i Amazon Rekognition Face Matching Card som dekker å legge til funksjoner for ansiktsgjenkjenning i applikasjoner for identitetsverifisering, deler vi trinnene kundene kan ta for å øke kvaliteten på ansiktsmatchingsspådommene som er integrert i arbeidsflyten deres.

Levere ansvarlige AI-ressurser og -kapasiteter

Å tilby kundene våre ressursene og verktøyene de trenger for å transformere ansvarlig AI fra teori til praksis er en kontinuerlig prioritet for AWS. Tidligere i år lanserte vi vår Ansvarlig bruk av maskinlæringsveiledning som gir vurderinger og anbefalinger for ansvarlig bruk av ML på tvers av alle faser av ML-livssyklusen. AI-tjenestekort utfyller våre eksisterende utviklerveiledninger og blogginnlegg, som gir byggere beskrivelser av tjenestefunksjoner og detaljerte instruksjoner for bruk av tjeneste-API-ene våre. Og med Amazon SageMaker Clarify og Amazon SageMaker modellmonitor, tilbyr vi muligheter for å hjelpe med å oppdage skjevheter i datasett og modeller og bedre overvåke og vurdere modellprediksjoner gjennom automatisering og menneskelig tilsyn.

Samtidig fortsetter vi å fremme ansvarlig AI på tvers av andre nøkkeldimensjoner, for eksempel styring. På re:Invent lanserte vi i dag et nytt sett med spesialbygde verktøy for å hjelpe kunder med å forbedre styringen av ML-prosjektene sine med Amazon SageMaker Role Manager, Amazon SageMaker Model Cards og Amazon SageMaker Model Dashboard. Lær mer på AWS News blogg og nettsted om hvordan disse verktøyene bidrar til å effektivisere ML-styringsprosesser.

Utdanning er en annen nøkkelressurs som bidrar til å fremme ansvarlig AI. Hos AWS er ​​vi forpliktet til å bygge neste generasjon av utviklere og dataforskere innen AI med AI og ML Scholarship Program og AWS Machine Learning University (MLU). Denne uken på re:Invent lanserte vi et nytt, offentlig MLU-kurs om rettferdighetshensyn og skjevhetsbegrensning på tvers av ML-livssyklusen. Undervist av de samme Amazon-dataforskerne som trener AWS-ansatte i ML, dette gratiskurset inneholder 9 timer med forelesninger og praktiske øvelser, og det er enkelt å kom i gang.

AI Service Cards: En ny ressurs – og en pågående forpliktelse

Vi er glade for å bringe en ny åpenhetsressurs til våre kunder og det bredere fellesskapet og gi tilleggsinformasjon om tiltenkt bruk, begrensninger, design og optimalisering av våre AI-tjenester, informert av vår strenge tilnærming til å bygge AWS AI-tjenester på en ansvarlig måte . Vårt håp er at AI Service Cards vil fungere som en nyttig åpenhetsressurs og et viktig skritt i det utviklende landskapet for ansvarlig AI. AI Service Cards vil fortsette å utvikle seg og utvide seg etter hvert som vi engasjerer oss med kundene våre og det bredere fellesskapet for å samle tilbakemeldinger og kontinuerlig gjenta vår tilnærming.

Kontakt vår gruppe med ansvarlige AI-eksperter for å starte en samtale.

---

Om forfatterne

Vasi Philomin er for tiden visepresident i AWS AI-teamet for tjenester innen språk- og taleteknologiområdene som Amazon Lex, Amazon Polly, Amazon Translate, Amazon Transcribe/Transcribe Medical, Amazon Comprehend, Amazon Kendra, Amazon Code Whisperer, Amazon Monitron, Amazon Se etter utstyr og kontaktlinse/stemme-ID for Amazon Connect samt Machine Learning Solutions Lab og Responsible AI.

Peter Hallinan leder initiativer innen vitenskapen og praksisen med ansvarlig AI ved AWS AI, sammen med et team av ansvarlige AI-eksperter. Han har dyp ekspertise innen AI (PhD, Harvard) og entreprenørskap (Blindsight, solgt til Amazon). Hans frivillige aktiviteter har inkludert å tjene som rådgivende professor ved Stanford University School of Medicine, og som president for American Chamber of Commerce på Madagaskar. Når det er mulig, er han på fjellet med barna sine: på ski, klatring, fotturer og rafting