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:

  1. Проектирайте и внедрявайте модели в съответствие с, както и бъдете информирани за най-новите идеи относно етичната употреба на изкуствен интелект
  2. Насърчавайте и насърчавайте директните дискусии между дизайнера на модела и потребителя на модела
  3. Намалете посредниците и йерархиите, така че информацията да може да тече свободно и с минимални изкривявания към екипите за моделиране
  4. Изследвайте стриктно и съобщавайте прозрачно показателите за оценка на модела и не разчитайте на полезни показатели, за да рекламирате успех
  5. Шампион за избягване на пристрастия в данните, мненията и дизайна чрез балансиран персонал и стратегии за събиране на данни
  6. Бъдете много внимателни при подготовката и събирането на данни за етикети и характеристики
  7. Комуникирайте открито, прозрачно и многократно механиката на модела, така че всеки, който желае да разбере логиката, да може да го направи
  8. За всеки внедрен модел създайте план за операции на модела, за да наблюдавате производителността и последователността, качеството, пълнотата и структурните промени на данните
  9. Използвайте документацията ефективно, за да улесните комуникацията на предположенията на модела, въвеждането, ключовите аспекти на дизайна на алгоритъма и механиката
  10. Стремете се да събирате достатъчно точни, последователни, чисти и окончателни етикети и поддържайте процес на актуализиране на етикети
  11. Създайте положителна култура на грешки, за да се проваляте рано и често и давайте пример, като признавате грешките и оставате отворени за критика
  12. Възпрепятствайте изграждането на обширни централни екипи за наука за данни в кулата от слонова кост
  13. 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
  14. 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
  15. 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
  16. Работете за намаляване на пристрастията към резултатите от AI и включете AI като измерение на разнообразието и включването за организациите
  17. Създайте многофункционални екипи, които включват възможно най-много хора, като използват резултатите от модела в инженерния процес, за да намалят страха и отхвърлянето
  18. Осигурете осезаеми перспективи за операции на модела, поддръжка и подобряване на параметрите на хора, чиято настояща работа ще се промени поради внедряването на AI
  19. Вслушайте се в съветите на инженери по модели и данни, които са били наети независимо от тяхната социална, етична, професионална или корпоративна позиция
  20. Винаги бъдете информирани и настроени към техническите аспекти на работата
  21. Подкрепете индустрията при създаването на подходящи процедури и рамки за проектиране, операции, контрол и наблюдение
  22. Признайте, че изкуственият интелект засяга сърцевината на това, което определя човешката природа и по този начин специалната отговорност за грижа към засегнатите страни
  23. 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
  24. Предотвратете установяването на нереалистични очаквания за скоростта и точността на AI/ML модела
  25. Не се опитвайте да нарушавате законите на физиката или математиката чрез използването на машинно обучение
  26. Допълване на AI/ML с подходящ статистически анализ както преди, така и след моделирането; това не е конкуренция, а симбиотична връзка
  27. 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
  28. Оценете моделите спрямо проблеми с данните преди внедряването
  29. Славете инженерите като герои на данните, разбирайки критичната им роля и обръщайки внимание на техните препоръки и съвети
  30. Празнувайте нетехническите професии в областта на данните като героите в техните области
  31. Никога не играйте инженери и нетехнически професии един срещу друг, но признайте, че добрите модели се нуждаят от сътрудничество между няколко дисциплини
  32. 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
  33. Създавайте пъргави структури за машинно обучение с много щастливи екипи с AI в цялата организация
  34. Установете повтарящи се процедури, за да поддържате данните, моделите и средата, в която работят, добре подравнени
  35. Проектирайте AI/ML модели по такъв начин, че да могат да бъдат помолени да се отучат и да забравят, ако това се наложи
  36. Проследявайте моделите, данните и версиите на конфигурацията, използвани за обучение и внедряване
  37. 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
  38. Останете любопитни, научете и приемете факта, че преживяванията са предубедени от събитията, на които хората са станали свидетели случайно през живота си
  39. 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
  40. Помогнете на вашия лидерски екип да създаде стимули за обслужване на лидери
  41. Изградете бизнес случай и модел приходи/разходи за вашата инициатива
  42. 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.