Avis des lecteurs
Résumé:Le livre « Platform and Model Design for Responsible AI » d'Amita Kapoor et Sharmistha Chatterjee est un guide complet pour les professionnels impliqués dans l'IA, qui se concentre sur l'évaluation des risques, la conception de modèles éthiques et les pratiques d'IA responsables. Il répond au besoin critique de transparence et d'équité dans les systèmes d'IA tout en fournissant des conseils pratiques sur la mise en œuvre de considérations éthiques dans le développement de l'intelligence artificielle.
Avantages:Le livre est bien structuré et fournit une couverture claire et détaillée des sujets essentiels liés à l'IA responsable, y compris l'évaluation des risques, la gestion de la vie privée, l'équité, l'éthique et l'optimisation des modèles. Il est salué pour sa clarté, ses conseils pratiques, ses exemples du monde réel et son exploration approfondie de concepts complexes. En outre, il est considéré comme une ressource précieuse pour un large public, y compris les praticiens, les planificateurs politiques et les nouveaux venus dans le domaine.
Inconvénients:L'ouvrage est volumineux (plus de 500 pages), ce qui peut gêner certains lecteurs. Il nécessite une solide compréhension de l'apprentissage automatique et des technologies connexes pour tirer pleinement parti de son contenu. En outre, certaines critiques ont noté que l'esthétique des documents visuels pourrait être améliorée.
(basé sur 15 avis de lecteurs)
Titre original :
Platform and Model Design for Responsible AI: Design and build resilient, private, fair, and transparent machine learning models
Contenu du livre :
Concevoir des projets d'IA éthiques avec des fonctions d'évaluation de la vie privée, de l'équité et du risque pour des systèmes évolutifs et distribués, tout en maintenant l'explicabilité et la durabilité.
L'achat de la version imprimée ou du livre Kindle inclut un livre électronique PDF gratuit.
Caractéristiques principales :
⬤ Apprenez l'évaluation des risques pour les cadres d'apprentissage automatique dans un paysage mondial.
⬤ Découvrez les modèles d'écosystèmes d'IA de la prochaine génération pour une conception réussie des produits.
⬤ Faites des prédictions explicables pour une formation en ML respectueuse de la vie privée et de l'équité.
Description du livre :
Les algorithmes d'IA sont omniprésents et utilisés pour des tâches allant du recrutement à la décision d'octroi d'un prêt. Avec une utilisation aussi répandue de l'IA dans le processus de prise de décision, il est nécessaire de construire un système basé sur l'IA qui soit explicable, responsable, transparent et digne de confiance. Avec Platform and Model Design for Responsible AI, vous serez en mesure de rendre transparents les modèles de boîte noire existants.
Vous serez en mesure d'identifier et d'éliminer les biais dans vos modèles, de gérer l'incertitude découlant des limites des données et des modèles, et de fournir une solution d'IA responsable. Vous commencerez par concevoir des modèles éthiques pour les modèles ML traditionnels et d'apprentissage profond, ainsi que par les déployer dans une configuration de production durable. Ensuite, vous apprendrez à mettre en place des pipelines de données, à valider des ensembles de données et à mettre en place des microservices de composants de manière sécurisée et privée dans n'importe quel cadre agnostique du cloud. Vous construirez ensuite un modèle de ML équitable et privé avec des contraintes appropriées, réglerez les hyperparamètres et évaluerez les métriques du modèle.
À la fin de ce livre, vous connaîtrez les meilleures pratiques pour respecter les lois sur la confidentialité des données et l'éthique, ainsi que les techniques nécessaires à l'anonymisation des données. Vous serez en mesure de développer des modèles explicables, de les stocker dans des magasins de caractéristiques et de gérer l'incertitude dans les prédictions des modèles.
Ce que vous apprendrez
⬤ Comprendre les menaces et les risques liés aux modèles de ML.
⬤ Découvrir les différents niveaux de stratégies d'atténuation des risques et les outils de hiérarchisation des risques.
⬤ Appliquer efficacement les techniques d'optimisation traditionnelles et d'apprentissage profond.
⬤ Construire des modèles de ML et des feature stores auditables et interprétables.
⬤ Comprendre le concept d'incertitude et explorer les outils d'explicitation des modèles.
⬤ Développer des modèles pour différents clouds, y compris AWS, Azure et GCP.
⬤ Explorer les outils d'orchestration de ML tels que Kubeflow et Vertex AI.
⬤ Intégrer la confidentialité et l'équité dans les modèles de ML, de la conception au déploiement.
A qui s'adresse ce livre :
Ce livre s'adresse aux professionnels expérimentés de l'apprentissage automatique qui cherchent à comprendre les risques et les fuites des modèles et des cadres de ML, et à apprendre à développer et à utiliser des composants réutilisables pour réduire l'effort et le coût de la mise en place et de la maintenance de l'écosystème de l'IA.
Autres informations sur le livre :
| ISBN : | 9781803237077 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Broché |
Achat:
Actuellement disponible, en stock.
