След месеци на проницателна дискусия, обратна връзка и проучване се осмелявам да предложа списък от 42 принципа за по-холистични инициативи за машинно обучение
Инженери по данни, гъвкави практици, оператори и инженери на машинно обучение, специалисти по данни, адвокати по поверителността и всички хора по света, засегнати от радикалната икономическа трансформация и трансформация на работното място, която революционизира нашето мислене, се противопоставят на нарастването на късогледството на данните. Затова заявяваме:
- Проектирайте и внедрявайте модели в съответствие с, както и бъдете информирани за най-новите идеи относно етичната употреба на изкуствен интелект
- Насърчавайте и насърчавайте директните дискусии между дизайнера на модела и потребителя на модела
- Намалете посредниците и йерархиите, така че информацията да може да тече свободно и с минимални изкривявания към екипите за моделиране
- Изследвайте стриктно и съобщавайте прозрачно показателите за оценка на модела и не разчитайте на полезни показатели, за да рекламирате успех
- Шампион за избягване на пристрастия в данните, мненията и дизайна чрез балансиран персонал и стратегии за събиране на данни
- Бъдете много внимателни при подготовката и събирането на данни за етикети и характеристики
- Комуникирайте открито, прозрачно и многократно механиката на модела, така че всеки, който желае да разбере логиката, да може да го направи
- За всеки внедрен модел създайте план за операции на модела, за да наблюдавате производителността и последователността, качеството, пълнотата и структурните промени на данните
- Използвайте документацията ефективно, за да улесните комуникацията на предположенията на модела, въвеждането, ключовите аспекти на дизайна на алгоритъма и механиката
- Стремете се да събирате достатъчно точни, последователни, чисти и окончателни етикети и поддържайте процес на актуализиране на етикети
- Създайте положителна култура на грешки, за да се проваляте рано и често и давайте пример, като признавате грешките и оставате отворени за критика
- Възпрепятствайте изграждането на обширни централни екипи за наука за данни в кулата от слонова кост
- Признайте, че отличното управление на данни и особено документацията и качеството на данните са от съществено значение за надеждни входни данни, управляващи модели, които хората се чувстват уверени да използват
- Насърчавайте и помагайте за установяване на приемане на AI преди внедряването, вместо да разчитате на пасивна толерантност или отхвърляне, особено за модели, които разчитат на вериги за обратна връзка
- Напишете проверки на качеството на входните данни и интегрирайте тази стъпка в процеса на проектиране на модела и, доколкото е възможно, в оценката на модела
- Работете за намаляване на пристрастията към резултатите от AI и включете AI като измерение на разнообразието и включването за организациите
- Създайте многофункционални екипи, които включват възможно най-много хора, като използват резултатите от модела в инженерния процес, за да намалят страха и отхвърлянето
- Осигурете осезаеми перспективи за операции на модела, поддръжка и подобряване на параметрите на хора, чиято настояща работа ще се промени поради внедряването на AI
- Вслушайте се в съветите на инженери по модели и данни, които са били наети независимо от тяхната социална, етична, професионална или корпоративна позиция
- Винаги бъдете информирани и настроени към техническите аспекти на работата
- Подкрепете индустрията при създаването на подходящи процедури и рамки за проектиране, операции, контрол и наблюдение
- Признайте, че изкуственият интелект засяга сърцевината на това, което определя човешката природа и по този начин специалната отговорност за грижа към засегнатите страни
- Стремете се да избягвате междуфункционална екипна специализация и преподавайте същността на инженерството на данни и модели, така че всеки член на екипа да може да допринесе смислено
- Предотвратете установяването на нереалистични очаквания за скоростта и точността на AI/ML модела
- Не се опитвайте да нарушавате законите на физиката или математиката чрез използването на машинно обучение
- Допълване на AI/ML с подходящ статистически анализ както преди, така и след моделирането; това не е конкуренция, а симбиотична връзка
- Позволете на моделите да се учат и подобряват с течение на времето и признават, че процесът на обучение може да изисква потенциално задълбочено наблюдение на човешката дейност, преди моделите да се представят по желания начин, особено за такива модели с обратна връзка/човек в цикъла/колаборативно филтриране
- Оценете моделите спрямо проблеми с данните преди внедряването
- Славете инженерите като герои на данните, разбирайки критичната им роля и обръщайки внимание на техните препоръки и съвети
- Празнувайте нетехническите професии в областта на данните като героите в техните области
- Никога не играйте инженери и нетехнически професии един срещу друг, но признайте, че добрите модели се нуждаят от сътрудничество между няколко дисциплини
- Документирайте и поддържайте актуализирани подробностите за елементите на данните като атрибути, значение на кода, време и източник, както и правни разрешения винаги възможно най-близо до записа на данни, така че да е очевидно по време на изследване на данни
- Създавайте пъргави структури за машинно обучение с много щастливи екипи с AI в цялата организация
- Установете повтарящи се процедури, за да поддържате данните, моделите и средата, в която работят, добре подравнени
- Проектирайте AI/ML модели по такъв начин, че да могат да бъдат помолени да се отучат и да забравят, ако това се наложи
- Проследявайте моделите, данните и версиите на конфигурацията, използвани за обучение и внедряване
- Установете законно допустимото използване на всеки елемент от данни в точката на събиране на данни и, в случай на вторични данни, получете правно становище за това как могат да се използват въведените данни
- Останете любопитни, научете и приемете факта, че преживяванията са предубедени от събитията, на които хората са станали свидетели случайно през живота си
- Възползвайте се от съществуващи дефиниции на роли от гъвкави и технически области, вместо да създавате фирмени специфични нишови роли, които правят по-трудно за всеки да се ориентира в многото отговорности в областта на AI
- Помогнете на вашия лидерски екип да създаде стимули за обслужване на лидери
- Изградете бизнес случай и модел приходи/разходи за вашата инициатива
- Не решавайте математически проблеми с помощта на модели за машинно обучение
Написано като признание за Clue Train Manifesto с пълни препратки, публикувани в безплатната книга Unmanage. Историята не свършва тук. Моля, споделете вашите мнения или покажете подкрепа за манифеста в коментарите.