إنشاء رؤى الذكاء الاصطناعي مسؤولة باستخدام YAML وPython

مقالة
03/29/2024

ينطبق على:ملحق ML Azure CLI v2 (الحالي)Python SDK azure-ai-ml v2 (الحالي)

يمكنك إنشاء لوحة معلومات الذكاء الاصطناعي مسؤولة وبطاقة أداء عبر مهمة البنية الأساسية لبرنامج ربط العمليات التجارية باستخدام مكونات الذكاء الاصطناعي المسؤولة. هناك ستة مكونات أساسية لإنشاء لوحات معلومات الذكاء الاصطناعي المسؤولة، جنباً إلى جنب مع اثنين من مكونات المساعد. فيما يلي نموذج رسم بياني لتجربة:

مكونات الذكاء الاصطناعي المسؤولة

المكونات الأساسية لإنشاء لوحة معلومات الذكاء الاصطناعي المسؤولة في التعلم الآلي من Microsoft Azure هي:

RAI Insights dashboard constructor
مكونات الأداة:
- Add Explanation to RAI Insights dashboard
- Add Causal to RAI Insights dashboard
- Add Counterfactuals to RAI Insights dashboard
- Add Error Analysis to RAI Insights dashboard
- Gather RAI Insights dashboard
- Gather RAI Insights score card

دائماً ما تكون المكونات RAI Insights dashboard constructor وGather RAI Insights dashboard مطلوبة، بالإضافة إلى مكون واحد على الأقل من مكونات الأداة. ومع ذلك، ليس من الضروري استخدام جميع الأدوات الموجودة في كل لوحة تحكم مسؤولة للذكاء الاصطناعي.

ستوضح الأقسام التالية مواصفات مكونات الذكاء الاصطناعي المسؤول وأمثلة على قصاصات برمجية في YAML وPython.

هام

العناصر التي تم وضع علامة عليها (إصدار أولي) في هذه المقالة موجودة حالياً في الإصدار الأولي العام. تتوفر نسخة الإصدار الأولي دون اتفاقية مستوى الخدمة، ولا يوصى به لأحمال عمل الإنتاج. بعض الميزات ربما لا تكون مدعمة أو بها بعض القدرات المقيدة. لمزيد من المعلومات، راجع ⁧⁩شروط الاستخدام التكميلية لمعاينات Microsoft Azure⁧⁩.

القيود

تحتوي المجموعة الحالية من المكونات على العديد من القيود على استخدامها:

يجب تسجيل جميع النماذج في التعلم الآلي من Microsoft Azure بتنسيق MLflow مع صفة sklearn (scikit-learn).
يجب أن تكون النماذج قابلة للتحميل في بيئة المكون.
يجب أن تكون النماذج قابلة للانتقاء.
يجب توفير النماذج إلى مكونات الذكاء الاصطناعي المسؤول باستخدام Fetch Registered Model المكون الذي نقدمه.
يجب أن تكون مدخلات مجموعة البيانات بتنسيق mltable .
يجب توفير نموذج حتى إذا تم إجراء تحليل سببي للبيانات فقط. يمكنك استخدام المقدرات DummyClassifier و DummyRegressor من scikit-learn لهذا الغرض.

الدالة الإنشائية للوحة معلومات RAI Insights

يحتوي هذا المكون على ثلاثة منافذ إدخال:

نموذج التعلم الآلي
مجموعة بيانات التدريب
مجموعة بيانات الاختبار

لإنشاء نتائج تحليلات لتصحيح أخطاء النموذج باستخدام مكونات، مثل تحليل الأخطاء وتفسيرات النموذج، استخدم مجموعة بيانات التدريب والاختبار التي استخدمتها عند تدريب النموذج الخاص بك. بالنسبة لمكونات مثل التحليل السببي الذي لا يتطلب نموذجاً، يمكنك استخدام مجموعة بيانات التدريب من أجل تدريب النموذج السببي لإنشاء نتائج تحليلات سببية. يمكنك استخدام مجموعة بيانات الاختبار لملء مرئيات لوحة معلومات الذكاء الاصطناعي المسؤولة.

أسهل طريقة لتوفير النموذج هي تسجيل نموذج الإدخال والإشارة إلى نفس النموذج في منفذ إدخال النموذج للمكون RAI Insight Constructor ، والذي نناقشه لاحقا في هذه المقالة.

إشعار

حاليا، يتم دعم النماذج بتنسيق MLflow والنكهة sklearn فقط.

يجب أن تكون مجموعتا البيانات بتنسيق mltable . لا يجب أن تكون مجموعات بيانات التدريب والاختبار المقدمة هي نفس مجموعات البيانات المستخدمة في تدريب النموذج، ولكن يمكن أن تكون هي نفسها. بشكل افتراضي، ولأسباب تتعلق بالأداء، تقتصر مجموعة بيانات الاختبار على 5,000 صف في واجهة مستخدم المرئيات.

يقبل مكون الدالة الإنشائية أيضاً المعلمات التالية:

اسم المعلمة	‏‏الوصف	النوع
`title`	وصف موجز للوحة المعلومات.	السلسلة‬
`task_type`	يحدد ما إذا كان النموذج للتصنيف أو الانحدار أو التنبؤ.	سلسلة أو `classificationregression`أو أو`forecasting`
`target_column_name`	اسم العمود في مجموعات بيانات الإدخال، والذي يحاول النموذج التنبؤ به.	السلسلة‬
`maximum_rows_for_test_dataset`	الحد الأقصى لعدد الصفوف المسموح بها في مجموعة بيانات الاختبار، لأسباب تتعلق بالأداء.	عدد صحيح، يتم التعيين افتراضياً إلى 5,000
`categorical_column_names`	الأعمدة في مجموعات البيانات، والتي تمثل البيانات الفئوية.	قائمة اختيارية من السلاسل¹
`classes`	القائمة الكاملة لتسميات الفئة في مجموعة بيانات التدريب.	قائمة اختيارية من السلاسل¹
`feature_metadata`	تحديد معلومات إضافية قد تحتاجها لوحة المعلومات استنادا إلى نوع المهمة. للتنبؤ، يتضمن ذلك تحديد العمود والعمود `datetime` الذي هو `time_series_id` العمود. بالنسبة للرؤية، قد يتضمن ذلك متوسط قيمة البكسل أو بيانات الموقع للصورة.	قائمة اختيارية من السلاسل¹
`use_model_dependency`	يحدد ما إذا كان النموذج يتطلب حاوية docker منفصلة ليتم تقديمها بسبب التبعيات المتعارضة مع لوحة معلومات RAI. للتنبؤ، يجب تمكين هذا. عادة ما لا يتم تمكين هذا للسيناريوهات الأخرى.	Boolean

¹ يجب توفير القوائم كسلسلة ترميز JSON واحدة للإدخالات categorical_column_namesو classesfeature_metadata و.

يحتوي مكون الدالة الإنشائية على إخراج واحد يسمى rai_insights_dashboard. هذه لوحة معلومات فارغة تعمل عليها مكونات الأدوات الفردية. يتم تجميع جميع النتائج بواسطة Gather RAI Insights dashboard المكون في النهاية.

YAML
Python SDK

 create_rai_job: 

    type: command 
    component: azureml://registries/azureml/components/microsoft_azureml_rai_tabular_insight_constructor/versions/<get current version>
    inputs: 
      title: From YAML snippet 
      task_type: regression
      type: mlflow_model
      path: azureml:<registered_model_name>:<registered model version> 
      train_dataset: ${{parent.inputs.my_training_data}} 
      test_dataset: ${{parent.inputs.my_test_data}} 
      target_column_name: ${{parent.inputs.target_column_name}} 
      categorical_column_names: '["location", "style", "job title", "OS", "Employer", "IDE", "Programming language"]'

تحميل المكون أولاً:

# First load the component:

        rai_constructor_component = ml_client_registry.components.get(name="microsoft_azureml_rai_tabular_insight_constructor", label="latest")

#Then inside the pipeline:

            construct_job = rai_constructor_component( 
                title="From Python", 
                task_type="classification", 
                model_input= model_input= Input(type=AssetTypes.MLFLOW_MODEL, path="<azureml:model_name:model_id>"),
                train_dataset=train_data, 
                test_dataset=test_data, 
                target_column_name=target_column_name, 
                categorical_column_names='["location", "style", "job title", "OS", "Employer", "IDE", "Programming language"]', 
                maximum_rows_for_test_dataset=5000, 
                classes="[]", 
            )

إضافة سببية إلى لوحة معلومات RAI Insights

يقوم هذا المكون بإجراء تحليل سببي على مجموعات البيانات المتوفرة. يحتوي على منفذ إدخال واحد، والذي يقبل إخراج RAI Insights dashboard constructor. كما يقبل المعلمات التالية:

اسم المعلمة	‏‏الوصف	نوع
`treatment_features`	قائمة بأسماء الميزات في مجموعات البيانات، والتي من المحتمل أن تكون "قابلة للعلاج" للحصول على نتائج مختلفة.	قائمة السلاسل².
`heterogeneity_features`	قائمة بأسماء الميزات في مجموعات البيانات، والتي قد تؤثر على كيفية تصرف الميزات "القابلة للعلاج". بشكل افتراضي، سيتم النظر في جميع الميزات.	قائمة اختيارية من السلاسل².
`nuisance_model`	النموذج المستخدم لتقدير نتيجة تغيير ميزات العلاج.	سلسلة اختيارية. يجب أن يكون `linear` أو `AutoML`، الافتراضي `linear`.
`heterogeneity_model`	النموذج المستخدم لتقدير تأثير ميزات عدم التجانس على النتيجة.	سلسلة اختيارية. يجب أن يكون `linear` أو `forest`، الافتراضي `linear`.
`alpha`	مستوى الثقة في فواصل الثقة.	رقم نقطة حُرة اختيارية، يتم التعيين افتراضياً إلى 0.05.
`upper_bound_on_cat_expansion`	الحد الأقصى للتوسع للميزات الفئوية.	عدد صحيح اختياري، يتم التعيين افتراضياً إلى 50.
`treatment_cost`	تكلفة العلاجات. إذا كان 0، فجميع العلاجات سيكون لها تكلفة صفرية. إذا تم تمرير قائمة، سيتم تطبيق كل عنصر على واحد من `treatment_features`. يمكن أن يكون كل عنصر قيمة عددية للإشارة إلى تكلفة ثابتة لتطبيق هذا العلاج، أو صفيف يشير إلى تكلفة كل عينة. إذا كان العلاج علاجاً منفصلاً، يجب أن يكون صفيف هذه الميزة ثنائي الأبعاد مع البعد الأول يمثل العينات، والثاني يمثل الفرق في التكلفة بين القيم غير الافتراضية والقيمة الافتراضية.	عدد صحيح اختياري أو قائمة².
`min_tree_leaf_samples`	الحد الأدنى لعدد العينات لكل عقدة طرفية في شجرة النهج.	عدد صحيح اختياري، يتم التعيين افتراضياً إلى 2.
`max_tree_depth`	أقصى عمق لشجرة النهج.	عدد صحيح اختياري، يتم التعيين افتراضياً إلى 2.
`skip_cat_limit_checks`	بشكل افتراضي، يجب أن يكون للميزات الفئوية عدة مثيلات لكل فئة من أجل احتواء النموذج بقوة. سيؤدي تعيين هذا إلى `True` إلى تخطي عمليات الفحص هذه.	قيمة منطقية اختيارية، يتم تعيينها افتراضياً إلى `False`.
`categories`	الفئات التي يجب استخدامها للأعمدة الفئوية. في حالة `auto`، سيتم استنتاج الفئات لكافة الأعمدة الفئوية. وإلا، يجب أن تحتوي هذه الوسيطة على العديد من الإدخالات كما توجد أعمدة فئوية. يجب أن يكون كل إدخال إما `auto` لاستنتاج قيم هذا العمود أو قائمة القيم للعمود. إذا تم توفير قيم صريحة، يتم التعامل مع القيمة الأولى كقيمة "عنصر تحكم" لذلك العمود الذي تتم مقارنة القيم الأخرى به.	اختياري، `auto` أو قائمة².
`n_jobs`	درجة التوازي المطلوب استخدامها.	عدد صحيح اختياري، يتم التعيين افتراضياً إلى 1.
`verbose`	توضيح ما إذا كان يجب توفير إخراج مفصل أثناء الحساب.	عدد صحيح اختياري، يتم التعيين افتراضياً إلى 1.
`random_state`	قيمة أولية لمُنشئ الرقم الزائف (PRNG).	عدد صحيح اختياري.

² بالنسبة لمعلمات list: تقبل العديد من المعلمات قوائم من أنواع أخرى (سلاسل وأرقام وحتى قوائم أخرى). لتمريرها إلى المكون، يجب أولاً ترميز JSON في سلسلة واحدة.

يحتوي هذا المكون على منفذ إخراج واحد، والذي يمكن توصيله بأحد insight_[n] منافذ الإدخال للمكون Gather RAI Insights Dashboard .

YAML
Python SDK

  causal_01: 
    type: command 
    component: azureml://registries/azureml/components/microsoft_azureml_rai_tabular_causal/versions/<version>
    inputs: 
      rai_insights_dashboard: ${{parent.jobs.create_rai_job.outputs.rai_insights_dashboard}} 
      treatment_features: `["Number of GitHub repos contributed to", "YOE"]'

#First load the component: 

        rai_causal_component = ml_client_registry.components.get(name="microsoft_azureml_rai_tabular_causal", label="latest")

#Use it inside a pipeline definition: 
            causal_job = rai_causal_component( 
                rai_insights_dashboard=construct_job.outputs.rai_insights_dashboard, 
                treatment_features='`["Number of GitHub repos contributed to", "YOE"]', 
            )

إضافة الحقائق المضادة إلى لوحة معلومات RAI Insights

ينشئ هذا المكون نقاطاً غير نشطة لمجموعة بيانات الاختبار المتوفرة. يحتوي على منفذ إدخال واحد، يقبل إخراج الدالة الإنشائية للوحة معلومات RAI Insights. كما يقبل المعلمات التالية:

اسم المعلمة	‏‏الوصف	النوع
`total_CFs`	عدد نقاط الحقائق المضادة التي يجب إنشاؤها لكل صف في مجموعة بيانات الاختبار	عدد صحيح اختياري، يتم التعيين افتراضياً إلى 10.
`method`	المفسر `dice-ml` الذي يجب استخدامه.	سلسلة اختيارية. إما `random` أو `genetic` أو `kdtree`. الإعدادات الافتراضية لـ `random`.
`desired_class`	فهرس يحدد الفئة الواقعية المطلوبة. للتصنيف الثنائي، يجب تعيين هذا إلى `opposite`.	سلسلة اختيارية أو عدد صحيح. الافتراضي 0.
`desired_range`	بالنسبة لمشاكل التراجع، حدد النطاق المطلوب من النتائج.	قائمة اختيارية مكونة من رقمين³.
`permitted_range`	قاموس مع أسماء الميزات كمفاتيح ونطاق مسموح به في أي قائمة كقيم. يتم استنتاج الإعدادات الافتراضية للنطاق من بيانات التدريب.	سلسلة اختيارية أو قائمة³.
`features_to_vary`	تختلف إما سلسلة `all` أو قائمة بأسماء الميزات.	سلسلة اختيارية أو قائمة³.
`feature_importance`	وضع علامة لتمكين حساب أهمية الميزة باستخدام `dice-ml`.	قيمة منطقية اختيارية. الإعدادات الافتراضية لـ `True`.

³ بالنسبة للمعلمات غير العددية: يجب تمرير المعلمات التي هي قوائم أو قواميس كسلاسل ترميز JSON مفردة.

يحتوي هذا المكون على منفذ إخراج واحد، والذي يمكن توصيله بأحد insight_[n] منافذ الإدخال للمكون Gather RAI Insights dashboard .

YAML
Python SDK

 counterfactual_01: 
    type: command 
    component: azureml://registries/azureml/components/microsoft_azureml_rai_tabular_counterfactual/versions/<version>
    inputs: 
      rai_insights_dashboard: ${{parent.jobs.create_rai_job.outputs.rai_insights_dashboard}} 
      total_CFs: 10 
      desired_range: "[5, 10]"

#First load the component: 
        rai_counterfactual_component = ml_client_registry.components.get(name="microsoft_azureml_rai_tabular_counterfactual", label="latest")

#Use it in a pipeline function: 
            counterfactual_job = rai_counterfactual_component( 
                rai_insights_dashboard=create_rai_job.outputs.rai_insights_dashboard, 
                total_cfs=10, 
                desired_range="[5, 10]", 
            )

إضافة تحليل الأخطاء إلى لوحة معلومات RAI Insights

ينشئ هذا المكون تحليل خطأ للنموذج. يحتوي على منفذ إدخال واحد، والذي يقبل إخراج RAI Insights Dashboard Constructor. كما يقبل المعلمات التالية:

اسم المعلمة	‏‏الوصف	النوع
`max_depth`	الحد الأقصى لعمق شجرة تحليل الأخطاء.	عدد صحيح اختياري. الإعدادات الافتراضية معينة على 3.
`num_leaves`	الحد الأقصى لعدد العقد الطرفية في شجرة الخطأ.	عدد صحيح اختياري. يتم التعيين افتراضياً إلى 31.
`min_child_samples`	الحد الأدنى لعدد نقاط البيانات المطلوبة لإنتاج عقدة طرفية.	عدد صحيح اختياري. يتم التعيين افتراضياً إلى 20.
`filter_features`	قائمة بميزة واحدة أو اثنتين لاستخدامها لعامل تصفية المصفوفة.	قائمة اختيارية، ليتم تمريرها كسلسلة ترميز JSON واحدة.

يحتوي هذا المكون على منفذ إخراج واحد، والذي يمكن توصيله بأحد insight_[n] منافذ الإدخال للمكون Gather RAI Insights Dashboard .

YAML
Python SDK

  error_analysis_01: 
    type: command 
    component: azureml://registries/azureml/components/microsoft_azureml_rai_tabular_erroranalysis/versions/<version>
    inputs: 
      rai_insights_dashboard: ${{parent.jobs.create_rai_job.outputs.rai_insights_dashboard}} 
      filter_features: `["style", "Employer"]'

#First load the component: 
        rai_erroranalysis_component = ml_client_registry.components.get(name="microsoft_azureml_rai_tabular_erroranalysis", label="latest")

#Use inside a pipeline: 
            erroranalysis_job = rai_erroranalysis_component( 
                rai_insights_dashboard=create_rai_job.outputs.rai_insights_dashboard, 
                filter_features='["style", "Employer"]', 
            )

إضافة تفسير إلى لوحة معلومات RAI Insights

ينشئ هذا المكون تفسيراً للنموذج. يحتوي على منفذ إدخال واحد، والذي يقبل إخراج RAI Insights Dashboard Constructor. يقبل سلسلة تعليق اختيارية واحدة كمعلمة.

يحتوي هذا المكون على منفذ إخراج واحد، والذي يمكن تعيينه لأحد منافذ الإدخال insight_[n] لمكون لوحة معلومات تجميع RAI Insights.

YAML
Python SDK

  explain_01: 
    type: command 
    component: azureml://registries/azureml/components/microsoft_azureml_rai_tabular_explanation/versions/<version>
    inputs: 
      comment: My comment 
      rai_insights_dashboard: ${{parent.jobs.create_rai_job.outputs.rai_insights_dashboard}}

#First load the component: 
        rai_explanation_component = ml_client_registry.components.get(name="microsoft_azureml_rai_tabular_explanation", label="latest"

#Use inside a pipeline: 
            explain_job = rai_explanation_component( 
                comment="My comment", 
                rai_insights_dashboard=create_rai_job.outputs.rai_insights_dashboard, 
            )

لوحة معلومات تجميع RAI Insights

يجمع هذا المكون الرؤى التي تم إنشاؤها في لوحة معلومات ذكاء اصطناعي مسؤولة واحدة. يحتوي على خمسة منافذ إدخال:

المنفذ constructor الذي يجب توصيله بمكون الدالة الإنشائية للوحة معلومات RAI Insights.
أربعة منافذ insight_[n] يمكن توصيلها بمخرجات مكونات الأداة. يجب توصيل منفذ واحد على الأقل من هذه المنافذ.

هناك منفذان للإخراج:

يحتوي المنفذ dashboard على عنصر RAIInsights المكتمل.
يحتوي المنفذ ux_json على البيانات المطلوبة لعرض الحد الأدنى من لوحة المعلومات.

YAML
Python SDK

  gather_01: 
    type: command 
    component: azureml://registries/azureml/components/microsoft_azureml_rai_tabular_insight_gather/versions/<version>
    inputs: 
      constructor: ${{parent.jobs.create_rai_job.outputs.rai_insights_dashboard}} 
      insight_1: ${{parent.jobs.causal_01.outputs.causal}} 
      insight_2: ${{parent.jobs.counterfactual_01.outputs.counterfactual}} 
      insight_3: ${{parent.jobs.error_analysis_01.outputs.error_analysis}} 
      insight_4: ${{parent.jobs.explain_01.outputs.explanation}}

#First load the component: 
        rai_gather_component = ml_client_registry.components.get(name="microsoft_azureml_rai_tabular_insight_gather", label="latest")
#Use in a pipeline: 
            rai_gather_job = rai_gather_component( 
                constructor=create_rai_job.outputs.rai_insights_dashboard, 
                insight_1=explain_job.outputs.explanation, 
                insight_2=causal_job.outputs.causal, 
                insight_3=counterfactual_job.outputs.counterfactual, 
                insight_4=erroranalysis_job.outputs.error_analysis, 
            )

كيفية إنشاء بطاقة أداء الذكاء الاصطناعي مسؤول (معاينة)

تتطلب منك مرحلة التكوين استخدام خبرتك بالمجال حول المشكلة لتعيين القيم المستهدفة المطلوبة على أداء النموذج ومقاييس الإنصاف.

مثل مكونات لوحة معلومات الذكاء الاصطناعي المسؤولة الأخرى التي تم تكوينها في مسار YAML، يمكنك إضافة مكون لإنشاء بطاقة الأداء في مسار YAML:

scorecard_01: 

   type: command 
   component: azureml:rai_score_card@latest 
   inputs: 
     dashboard: ${{parent.jobs.gather_01.outputs.dashboard}} 
     pdf_generation_config: 
       type: uri_file 
       path: ./pdf_gen.json 
       mode: download 

     predefined_cohorts_json: 
       type: uri_file 
       path: ./cohorts.json 
       mode: download

حيث pdf_gen.json هو ملف json لتكوين إنشاء بطاقة النتيجة، predifined_cohorts_json معرف ملف json لتعريف المجموعة التي تم إنشاؤها مسبقا.

فيما يلي نموذج لملف JSON لتعريف المجموعة وتكوين إنشاء بطاقة الأداء:

تعريف المجموعات:

[ 
  { 
    "name": "High Yoe", 
    "cohort_filter_list": [ 
      { 
        "method": "greater", 
        "arg": [ 
          5 
        ], 
        "column": "YOE" 
      } 
    ] 
  }, 
  { 
    "name": "Low Yoe", 
    "cohort_filter_list": [ 
      { 
        "method": "less", 
        "arg": [ 
          6.5 
        ], 
        "column": "YOE" 
      } 
    ] 
  } 
]

فيما يلي ملف تكوين إنشاء بطاقة أداء كمثال على الانحدار:

{ 
  "Model": { 
    "ModelName": "GPT-2 Access", 
    "ModelType": "Regression", 
    "ModelSummary": "This is a regression model to analyze how likely a programmer is given access to GPT-2" 
  }, 
  "Metrics": { 
    "mean_absolute_error": { 
      "threshold": "<=20" 
    }, 
    "mean_squared_error": {} 
  }, 
  "FeatureImportance": { 
    "top_n": 6 
  }, 
  "DataExplorer": { 
    "features": [ 
      "YOE", 
      "age" 
    ] 
  }, 
  "Fairness": {
    "metric": ["mean_squared_error"],
    "sensitive_features": ["YOUR SENSITIVE ATTRIBUTE"],
    "fairness_evaluation_kind": "difference OR ratio"
  },
  "Cohorts": [ 
    "High Yoe", 
    "Low Yoe" 
  ]  
}

فيما يلي ملف تكوين إنشاء بطاقة أداء كمثال على التصنيف:

{
  "Model": {
    "ModelName": "Housing Price Range Prediction",
    "ModelType": "Classification",
    "ModelSummary": "This model is a classifier that predicts whether the house will sell for more than the median price."
  },
  "Metrics" :{
    "accuracy_score": {
        "threshold": ">=0.85"
    },
  }
  "FeatureImportance": { 
    "top_n": 6 
  }, 
  "DataExplorer": { 
    "features": [ 
      "YearBuilt", 
      "OverallQual", 
      "GarageCars"
    ] 
  },
  "Fairness": {
    "metric": ["accuracy_score", "selection_rate"],
    "sensitive_features": ["YOUR SENSITIVE ATTRIBUTE"],
    "fairness_evaluation_kind": "difference OR ratio"
  }
}

تعريف مدخلات لعنصر بطاقة أداء الذكاء الاصطناعي المسؤول

هذا القسم يحدد قائمة المعلمات المطلوبة لتكوين عنصر بطاقة أداء الذكاء الاصطناعي المسؤول.

النموذج

ModelName	اسم النموذج
`ModelType`	القيم في ['التصنيف'، 'الانحدار'].
`ModelSummary`	أدخل نصًا يلخص ما هو النموذج.

إشعار

بالنسبة للتصنيف متعدد الفئات، يجب عليك أولاً استخدام إستراتيجية One-vs-Rest لاختيار الفئة المرجعية الخاصة بك، وبالتالي، قم بتقسيم نموذج التصنيف متعدد الفئات الخاص بك إلى مشكلة تصنيف ثنائية للفئة المرجعية المحددة الخاصة بك مقابل باقي الفئات.

المقاييس

مقياس الأداء	التعريف	نوع النموذج
`accuracy_score`	أجزاء البيانات المصنفة بشكل صحيح.	تصنيف
`precision_score`	جزء من نقاط البيانات المصنفة بشكل صحيح بين تلك المصنفة على أنها 1.	تصنيف
`recall_score`	جزء من نقاط البيانات المصنفة بشكل صحيح بين تلك التي يكون تصنيفها الحقيقي 1. الأسماء البديلة: المعدل الإيجابي الحقيقي، الحساسية.	تصنيف
`f1_score`	درجة F1 هي الوسيلة التوافقية للدقة والاسترجاع.	تصنيف
`error_rate`	نسبة المثيلات المصنفة بشكل خاطئ على مستوى مجموعة المثيلات بأكملها.	تصنيف
`mean_absolute_error`	معدل القيم المطلقة للأخطاء. أكثر قوة للقيم الخارجية من `mean_squared_error`.	التراجع
`mean_squared_error`	معدل الأخطاء التربيعية.	التراجع
`median_absolute_error`	وسيط الأخطاء التربيعية.	التراجع
`r2_score`	جزء التباين في التسميات الموضحة بواسطة النموذج.	التراجع

الحد: الحد المطلوب للمقياس المحدد. الرموز الرياضية المسموح بها هي > و< و>و= و<=m متبوعة بعدد حقيقي. على سبيل المثال، >= 0.75 يعني أن الهدف للمقياس المحدد أكبر من أو يساوي 0.75.

أهمية الميزة

top_n: عدد الميزات التي يجب إظهارها بحد أقصى 10 ميزات. يسمح بالأعداد الصحيحة الموجبة حتى 10.

الإنصاف

مقياس	تعريف
`metric`	المقياس الأساسي لعدالة التقييم.
`sensitive_features`	قائمة باسم الميزة من مجموعة بيانات الإدخال ليتم تعيينها كميزة حساسة لتقرير الإنصاف.
`fairness_evaluation_kind`	القيم في ['الفرق'، 'النسبة'].
`threshold`	القيم المستهدفة المطلوبة لتقييم الإنصاف. الرموز الرياضية المسموح بها هي > و< و>و= و<= متبوعة بعدد حقيقي. على سبيل المثال، metric="accuracy", fairness_evaluation_kind="difference". <= 0.05 تعني أن الهدف للفرق في الدقة أقل من 0.05 أو يساويه.

إشعار

يؤثر اختيارك لـ fairness_evaluation_kind (تحديد «الفرق» مقابل «النسبة») على مقياس القيمة المستهدفة. في تحديدك، تأكد من اختيار قيمة هدف ذات معنى.

يمكنك التحديد من المقاييس التالية، المقترنة بـ fairness_evaluation_kind لتكوين عنصر تقييم الإنصاف لبطاقة الأداء:

Metric	fairness_evaluation_kind	التعريف	نوع النموذج
`accuracy_score`	الفرق	أقصى فرق في درجة الدقة بين أي مجموعتين.	تصنيف
`accuracy_score`	النسبة	أدنى فرق في درجة الدقة بين أي مجموعتين.	تصنيف
`precision_score`	الفرق	أقصى فرق في درجة الإحكام بين أي مجموعتين.	تصنيف
`precision_score`	النسبة	أدنى فرق للفرق في درجة الإحكام بين أي مجموعتين.	تصنيف
`recall_score`	الفرق	أقصى فرق في درجة الاسترجاع بين أي مجموعتين.	تصنيف
`recall_score`	النسبة	أقصى نسبة في درجة الاسترجاع بين أي مجموعتين.	تصنيف
`f1_score`	الفرق	أقصى فرق في درجة f1 بين أي مجموعتين.	تصنيف
`f1_score`	النسبة	أقصى نسبة في درجة f1 بين أي مجموعتين.	تصنيف
`error_rate`	الفرق	أقصى فرق في معدل الخطأ بين أي مجموعتين.	تصنيف
`error_rate`	النسبة	أقصى نسبة في معدل الخطأ بين أي مجموعتين.	تصنيف
`Selection_rate`	الفرق	أقصى فرق في معدل الاختيار بين أي مجموعتين.	تصنيف
`Selection_rate`	النسبة	أقصى نسبة في معدل الاختيار بين أي مجموعتين.	تصنيف
`mean_absolute_error`	الفرق	أقصى فرق في متوسط الخطأ المطلق بين أي مجموعتين.	التراجع
`mean_absolute_error`	النسبة	أقصى نسبة في متوسط الخطأ المطلق بين أي مجموعتين.	التراجع
`mean_squared_error`	الفرق	أقصى فرق في متوسط الخطأ التربيعي بين أي مجموعتين.	التراجع
`mean_squared_error`	النسبة	أقصى نسبة في متوسط الخطأ التربيعي بين أي مجموعتين.	التراجع
`median_absolute_error`	الفرق	أقصى فرق في متوسط الخطأ المطلق بين أي مجموعتين.	التراجع
`median_absolute_error`	النسبة	أقصى فرق في متوسط الخطأ المطلق بين أي مجموعتين.	التراجع
`r2_score`	الفرق	أقصى فرق في درجة R² بين أي مجموعتين.	التراجع
`r2_Score`	النسبة	أقصى نسبة في درجة R² بين أي مجموعتين.	التراجع

قيود الإدخال

ما تنسيقات النموذج والنكهات المدعومة؟

يجب أن يكون النموذج في دليل MLFlow مع صفة sklearn المتوفرة. بالإضافة إلى ذلك، يجب أن يكون النموذج قابلاً للتحميل في البيئة التي تستخدمها مكونات الذكاء الاصطناعي المسؤولة.

ما تنسيقات البيانات المعتمدة؟

يجب أن تكون mltable مجموعات البيانات المتوفرة مع بيانات جدولية.

الخطوات التالية

بمجرد إنشاء لوحة معلومات الذكاء الاصطناعي المسؤولة، اعرض كيفية الوصول إليها واستخدامها في استوديو التعلم الآلي من Microsoft Azure.
قم بتلخيص ومشاركة نتائج تحليلات الذكاء الاصطناعي المسؤولة باستخدام بطاقة أداء الذكاء الاصطناعي المسؤولة كتصدير PDF.
تعرف على المزيد حول المفاهيم والتقنيات خلف لوحة معلومات الذكاء الاصطناعي المسؤولة.
تعرف على المزيد عن كيفية جمع البيانات بشكل مسؤول.
قم بعرض نماذج دفاتر ملاحظات YAML وPython لإنشاء لوحة معلومات الذكاء الاصطناعي المسؤولة باستخدام YAML أو Python.
تعرف على المزيد حول طريقة استخدام لوحة معلومات الذكاء الاصطناعي المسؤولة وبطاقة الأداء لتتبع أخطاء البيانات والنماذج وإثراء عملية اتخاذ قرارات أفضل في منشور مدونة مجتمع التكنولوجيا هذا.
تعرّف على كيفية استخدام لوحة معلومات الذكاء الاصطناعي المسؤولة وبطاقة الأداء من قبل الخدمة الصحية الوطنية (NHS) في المملكة المتحدة في قصة عميل واقعية.
استكشف ميزات لوحة معلومات الذكاء الاصطناعي المسؤولة من خلال هذا العرض التوضيحي التفاعلي على الويب لأنشطة الذكاء الاصطناعي المعملية.

إنشاء رؤى الذكاء الاصطناعي مسؤولة باستخدام YAML وPython

مكونات الذكاء الاصطناعي المسؤولة

القيود

الدالة الإنشائية للوحة معلومات RAI Insights

إضافة سببية إلى لوحة معلومات RAI Insights

إضافة الحقائق المضادة إلى لوحة معلومات RAI Insights

إضافة تحليل الأخطاء إلى لوحة معلومات RAI Insights

إضافة تفسير إلى لوحة معلومات RAI Insights

لوحة معلومات تجميع RAI Insights

كيفية إنشاء بطاقة أداء الذكاء الاصطناعي مسؤول (معاينة)

تعريف مدخلات لعنصر بطاقة أداء الذكاء الاصطناعي المسؤول

النموذج

المقاييس

أهمية الميزة

الإنصاف

قيود الإدخال

ما تنسيقات النموذج والنكهات المدعومة؟

ما تنسيقات البيانات المعتمدة؟

الخطوات التالية

الموارد الإضافية