إنشاء رؤى الذكاء الاصطناعي مسؤول في واجهة مستخدم الاستوديو
في هذه المقالة، يمكنك إنشاء لوحة معلومات الذكاء الاصطناعي مسؤولة وبطاقة أداء (معاينة) مع تجربة بدون تعليمة برمجية في واجهة مستخدم Azure التعلم الآلي studio.
هام
تُعد هذه الميزة قيد الإصدار الأولي العام في الوقت الحالي. يجري توفير إصدار المعاينة هذا دون اتفاقية على مستوى الخدمة، ولا نوصي باستخدامه لأحمال عمل الإنتاج. بعض الميزات ربما لا تكون مدعمة أو بها بعض القدرات المقيدة.
لمزيد من المعلومات، راجع شروط الاستخدام التكميلية لمعاينات Microsoft Azure.
للوصول إلى معالج إنشاء لوحة المعلومات وإنشاء لوحة معلومات الذكاء الاصطناعي مسؤول، قم بما يلي:
سجل نموذجك في التعلم الآلي من Azure حتى تتمكن من الوصول إلى تجربة عدم وجود تعليمات برمجية.
في الجزء الأيمن من استوديو التعلم الآلي من Azure، حدد علامة التبويب Models.
حدد النموذج المسجل الذي ترغب فيه لإنشاء تفاصيل الذكاء الاصطناعي المسؤول، ثم حدد علامة التبويب التفاصيل.
حدد إنشاء لوحة معلومات ذكاء اصطناعي مسؤولة (معاينة).
لمعرفة المزيد من أنواع النماذج والقيود المدعومة في لوحة معلومات الذكاء الاصطناعي المسؤول، راجع السيناريوهات والقيود المدعومة.
يوفر المعالج واجهة لإدخال جميع المعلمات الضرورية لإنشاء لوحة معلومات الذكاء الاصطناعي المسؤولة الخاصة بك دون الحاجة إلى لمس الرمز. التجربة بالكامل تجري في واجهة مستخدم استوديو التعلم الآلي من Azure. يقدم الاستوديو تدفقا إرشاديا ونصا إرشاديا للمساعدة في وضع مجموعة متنوعة من الخيارات في سياقها حول مكونات الذكاء الاصطناعي المسؤولة التي ترغب في ملء لوحة المعلومات بها.
المعالج مقسم إلى خمسة أقسام:
- مجموعات بيانات التدريب
- اختبار مجموعة البيانات
- مهمة النمذجة
- مكونات لوحة المعلومات
- معلمات المكون
- تكوين التجربة
حدد مجموعات البيانات الخاصة بك
في القسمين الأولين، يمكنك تحديد مجموعات بيانات التدريب والاختبار التي استخدمتها عند تدريب النموذج الخاص بك لإنشاء رؤى لتصحيح أخطاء النموذج. بالنسبة لمكونات مثل التحليل السببي الذي لا يتطلب نموذجًا، سيتم استخدام مجموعة بيانات التدريب من أجل تدريب النموذج السببي لإنشاء نتائج تحليلات سببية.
إشعار
يتم دعم تنسيقات مجموعة البيانات الجدولية فقط في جدول التعلم الآلي.
حدد مجموعة بيانات للتدريب: في قائمة مجموعات البيانات المسجلة في مساحة عمل Azure التعلم الآلي، حدد مجموعة البيانات التي تريد استخدامها لإنشاء رؤى الذكاء الاصطناعي مسؤولة للمكونات، مثل تفسيرات النموذج وتحليل الأخطاء.
حدد مجموعة بيانات للاختبار: في قائمة مجموعات البيانات المسجلة، حدد مجموعة البيانات التي تريد استخدامها لملء مرئيات لوحة المعلومات الذكاء الاصطناعي المسؤولة.
إذا لم تكن مجموعة بيانات التدريب أو الاختبار التي تريد استخدامها مدرجة، فحدد إنشاء لتحميلها.
حدد مهمة النمذجة الخاصة بك
بعد اختيار مجموعات البيانات الخاصة بك، حدد نوع مهمة النمذجة، كما هو موضح في الصورة التالية:
حدد مكونات لوحة القيادة الخاصة بك
تقدم لوحة معلومات الذكاء الاصطناعي المسؤول ملفين تعريفيين لمجموعات الأدوات الموصى بها التي يمكنك إنشاؤها:
تصحيح أخطاء النموذج: فهم مجموعات البيانات الخطأ وتصحيحها في نموذج التعلم الآلي الخاص بك باستخدام تحليل الأخطاء، وأمثلة ماذا لو المضادة، وإمكانية شرح النموذج.
تدخلات الحياة الواقعية: فهم مجموعات البيانات الخطأ في نموذج التعلم الآلي الخاص بك وتصحيحها باستخدام التحليل السببي.
إشعار
لا يدعم التصنيف متعدد الفئات ملف تحليل التدخلات الواقعية.
- حدد الملف الذي تريد استخدامه.
- حدد التالي.
تكوين المعلمات لمكونات لوحة المعلومات
بعد تحديد ملف تعريف، تظهر معلمات المكون لجزء تكوين تصحيح الأخطاء النموذجي للمكونات المقابلة.
معلمات المكون لتصحيح أخطاء النموذج:
ميزة الهدف (مطلوبة): حدد الميزة التي تم تدريب نموذجك على توقعها.
الميزات الفئوية: حدد الميزات الفئوية لعرضها بشكل صحيح كقيم فئوية في واجهة مستخدم لوحة المعلومات. يتم تحميل هذا الحقل مسبقًا بناءً على بيانات التعريف لمجموعة البيانات الخاصة بك.
إنشاء شجرة الأخطاء وخريطة التمثيل اللوني: قم بالتبديل بين التشغيل وإيقاف التشغيل لإنشاء مكون تحليل الخطأ للوحة معلومات الذكاء الاصطناعي المسؤولة.
ميزات خريطة التمثيل اللوني للخطأ: حدد ما يصل إلى ميزتين الذين ترغب فيهما لإنشاء مخطط حرارة خطأ مسبقًا لهما.
التكوين المتقدم: حدد معلمات إضافية، مثل الحد الأقصى لعمق شجرة الخطأ، وعدد الأوراق في شجرة الخطأ والحد الأدنى لعدد العينات في كل عقدة طرفية.
إنشاء أمثلة مضادة للوقائع ماذا لو: قم بالتبديل بين التشغيل وإيقاف التشغيل لإنشاء مكون ماذا لو مضاد للواقع للوحة معلومات الذكاء الاصطناعي المسؤول.
عدد الوقائع المضادة (مطلوب): حدد عدد الأمثلة الواقعية التي تريد إنشاؤها لكل نقطة بيانات. ينبغي إنشاء 10 على الأقل لتمكين عرض مخطط شريطي للوحة المعلومات التي كانت الميزات الأكثر اضطرابًا، في المتوسط، لتحقيق التنبؤ المطلوب.
نطاق تنبؤات القيمة (مطلوب): حدد لسيناريوهات الانحدار النطاق الذي تريد أن تشتمل الأمثلة الواقعية على قيم تنبؤ فيه. بالنسبة لسيناريوهات التصنيف الثنائي، سيتم تعيين النطاق تلقائيًا لإنشاء حقائق معاكسة للفئة المعاكسة لكل نقطة بيانات. بالنسبة للسيناريوهات متعددة التصنيفات، استخدم القائمة المنسدلة لتحديد الفئة التي تريد توقع كل نقطة بيانات عليها.
تحديد أي ميزات يتم تغييرها: بشكل افتراضي، سيتم تغيير جميع الميزات. ومع ذلك، إذا كنت تريد أن تكون ميزات محددة فقط مقلبة، فحدد تحديد الميزات التي يجب أن تختنق لإنشاء تفسيرات غير نشطة لعرض جزء مع قائمة بالميزات التي يجب تحديدها.
عند تحديد تحديد ميزات للاضطراب، يمكنك تحديد النطاق الذي تريد السماح بالاضطرابات فيه. على سبيل المثال: بالنسبة للميزة YOE (سنوات الخبرة)، حدد أن الحقائق المضادة يجب أن تحتوي فقط على قيم ميزة تتراوح فقط من 10 إلى 21 بدلاً من القيم الافتراضية 5 إلى 21.
إنشاء تفسيرات: يمكنك التبديل بين التشغيل وإيقاف التشغيل لإنشاء مكون شرح نموذج للوحة معلومات الذكاء الاصطناعي المسؤول. ليس هناك أي تكوين ضروري لأنه سيتم استخدام الشرح الافتراضي لمحاكاة الصندوق المعتم لإنشاء عمليات استيراد الميزات.
بدلا من ذلك، إذا حددت ملف تعريف التدخلات الواقعية، فسترى الشاشة التالية تنشئ تحليلا سببيا. سيساعدك هذا على فهم التأثيرات السببية للميزات التي تريد "معالجتها" على نتيجة معينة تريد تحسينها.
تستخدم المعلمات المكونة للتدخلات الواقعية التحليل السببي. قم بالتالي:
- الميزة المستهدفة (مطلوبة): اختر النتيجة التي تريد حساب التأثيرات السببية لها.
- ميزات العلاج (مطلوب): اختر ميزة واحدة أو أكثر من الميزات التي تهتم بتغييرها ("المعالجة") لتحسين النتيجة المستهدفة.
- الميزات الفئوية: حدد الميزات الفئوية لعرضها بشكل صحيح كقيم فئوية في واجهة مستخدم لوحة المعلومات. يتم تحميل هذا الحقل مسبقًا بناءً على بيانات التعريف لمجموعة البيانات الخاصة بك.
- الإعدادات المتقدمة: حدد المعلمات الإضافية لتحليلك السببي مثل الميزات غير المتجانسة (وهي ميزات إضافية لفهم التجزئة السببية في تحليلك بالإضافة إلى ميزات العلاج) والنموذج السببي الذي ترغب في استخدامه.
تكوين التجربة
أخيرًا، قم بتكوين تجربتك لبدء وظيفة لإنشاء لوحة معلومات الذكاء الاصطناعي المسؤولة الخاصة بك.
في جزء Training job أو Experiment configuration ، قم بما يلي:
- الاسم: امنح لوحة المعلومات اسما فريدا بحيث يمكنك تمييزه عند عرض قائمة لوحات المعلومات لنموذج معين.
- اسم التجربة: حدد تجربة حالية لتشغيل الوظيفة أو إنشاء تجربة جديدة.
- التجربة الحالية: في القائمة المنسدلة، حدد تجربة موجودة.
- تحديد نوع الحوسبة: حدد نوع الحوسبة الذي ترغب في استخدامه لتنفيذ مهمتك.
- حدد الحساب: في القائمة المنسدلة، حدد الحساب الذي تريد استخدامه. إذا لم تكن هناك موارد حوسبة حالية، فحدد علامة زائد (+)، وأنشئ مورد حساب جديدًا، ثم حدث القائمة.
- الوصف: أضف وصفًا أطول للوحة معلومات الذكاء الاصطناعي المسؤول.
- العلامات: أضف أية علامات إلى لوحة معلومات الذكاء الاصطناعي المسؤولة هذه.
بعد الانتهاء من تكوين تجربتك، حدد Create لبدء إنشاء لوحة معلومات الذكاء الاصطناعي المسؤولة. ستتم إعادة توجيهك إلى صفحة التجربة لتتبع تقدم وظيفتك باستخدام ارتباط إلى لوحة معلومات الذكاء الاصطناعي المسؤول الناتجة من صفحة الوظيفة عند اكتمالها.
لمعرفة كيفية عرض لوحة معلومات الذكاء الاصطناعي المسؤولة واستخدامها، راجع استخدام لوحة معلومات الذكاء الاصطناعي المسؤول في Azure التعلم الآلي studio.
كيفية إنشاء بطاقة أداء الذكاء الاصطناعي المسؤول (معاينة)
بمجرد إنشاء لوحة معلومات، يمكنك استخدام واجهة مستخدم بدون تعليمات برمجية في Azure التعلم الآلي studio لتخصيص وإنشاء بطاقة أداء الذكاء الاصطناعي مسؤولة. يمكنك هذا من مشاركة الرؤى الرئيسية للتوزيع المسؤول للنموذج الخاص بك، مثل الإنصاف وأهمية الميزة، مع المساهمين غير التقنيين والتقنيين. على غرار إنشاء لوحة معلومات، يمكنك استخدام الخطوات التالية للوصول إلى معالج إنشاء بطاقة الأداء:
- انتقل إلى علامة التبويب النماذج من شريط التنقل الأيسر في Azure Machine Learning studio.
- حدد النموذج المسجل الذي ترغب في إنشاء بطاقة أداء له وحدد علامة التبويب الذكاء الاصطناعي المسؤول.
- من اللوحة العلوية، حدد Create Responsible الذكاء الاصطناعي insights (preview) ثم Generate new PDF scorecard.
سيسمح لك المعالج بتخصيص بطاقة أداء PDF دون الحاجة إلى لمس التعليمات البرمجية. تتم التجربة بالكامل في استوديو Azure التعلم الآلي للمساعدة في وضع مجموعة متنوعة من خيارات واجهة المستخدم في سياقها باستخدام تدفق موجه ونص إرشادي لمساعدتك في اختيار المكونات التي تريد ملء بطاقة الأداء بها. ينقسم المعالج إلى سبع خطوات، مع خطوة ثامنة (تقييم الإنصاف) التي ستظهر فقط للنماذج ذات الميزات الفئوية:
- ملخص بطاقة أداء PDF
- أداء النموذج
- تحديد الأداة
- تحليل البيانات (كان يسمى سابقا مستكشف البيانات)
- التحليل السببي
- قابلية التفسير
- تكوين التجربة
- تقييم الإنصاف (فقط إذا كانت هناك ميزات فئوية)
تكوين بطاقة الأداء الخاصة بك
أولا، أدخل عنوانا وصفيا لبطاقة الأداء الخاصة بك. يمكنك أيضا إدخال وصف اختياري حول وظائف النموذج والبيانات التي تم تدريبه وتقييمها ونوع البنية والمزيد.
يسمح لك قسم أداء النموذج بالدمج في مقاييس تقييم النموذج القياسي في صناعة بطاقة الأداء، مع تمكينك من تعيين القيم المستهدفة المطلوبة للمقاييس المحددة. حدد مقاييس الأداء المطلوبة (حتى ثلاثة) والقيم المستهدفة باستخدام القوائم المنسدلة.
تتيح لك خطوة تحديد الأداة اختيار المكونات اللاحقة التي ترغب في تضمينها في بطاقة الأداء الخاصة بك. تسجيل الحضور تضمين في بطاقة الأداء لتضمين جميع المكونات، أو تحديد/إلغاء تحديد كل مكون على حدة. حدد أيقونة المعلومات ("i" في دائرة) بجوار المكونات لمعرفة المزيد عنها.
يتيح قسم تحليل البيانات (المعروف سابقا باسم مستكشف البيانات) تحليل المجموعة. هنا، يمكنك تحديد مشكلات التمثيل الزائد والناقص لاستكشاف كيفية تجميع البيانات في مجموعة البيانات، وكيف تؤثر تنبؤات النموذج على مجموعات بيانات محددة. استخدم خانات الاختيار في القائمة المنسدلة لتحديد الميزات التي تهمك أدناه لتحديد أداء النموذج الخاص بك على مجموعاتها الأساسية.
يمكن أن يساعد قسم تقييم الإنصاف في تقييم مجموعات الأشخاص التي قد تتأثر سلبا بتوقعات نموذج التعلم الآلي. يوجد حقلان في هذا القسم.
الميزات الحساسة: حدد السمة (السمات) الحساسة التي تختارها (على سبيل المثال، العمر والجنس) من خلال تحديد أولويات ما يصل إلى 20 مجموعة فرعية ترغب في استكشافها ومقارنتها.
مقياس الإنصاف: حدد مقياس الإنصاف المناسب لإعدادك (على سبيل المثال، الفرق في الدقة ونسبة معدل الخطأ)، وحدد القيمة (القيم) المستهدفة المطلوبة على مقياس (قياسات) الإنصاف المحددة. سيسجل مقياس الإنصاف المحدد (المقترن بتحديدك للاختلاف أو النسبة عبر التبديل) الفرق أو النسبة بين القيم القصوى عبر المجموعات الفرعية. (الحد الأقصى - الحد الأدنى أو الحد الأقصى/الحد الأدنى).
إشعار
تقييم الإنصاف متاح حاليا فقط للسمات الحساسة الفئوية مثل الجنس.
يجيب قسم التحليل السببي على أسئلة "ماذا لو" في العالم الحقيقي حول كيفية تأثير تغييرات العلاج على نتيجة العالم الحقيقي. إذا تم تنشيط المكون السببي في لوحة معلومات الذكاء الاصطناعي المسؤولة التي تقوم بإنشاء بطاقة أداء لها، فلن تكون هناك حاجة إلى مزيد من التكوين.
ينشئ قسم قابلية التفسير أوصافا يمكن فهمها من قبل الإنسان للتنبؤات التي تم إجراؤها بواسطة نموذج التعلم الآلي الخاص بك. باستخدام تفسيرات النموذج، يمكنك فهم المنطق وراء القرارات التي يتخذها نموذجك. حدد رقما (K) أدناه لمشاهدة أهم ميزات K الهامة التي تؤثر على توقعات النموذج الكلي. القيمة الافتراضية ل K هي 10.
وأخيرا، قم بتكوين تجربتك لبدء وظيفة لإنشاء بطاقة الأداء الخاصة بك. هذه التكوينات هي نفسها تلك الخاصة بلوحة معلومات الذكاء الاصطناعي المسؤولة.
وأخيرا، راجع التكوينات الخاصة بك وحدد إنشاء لبدء وظيفتك!
ستتم إعادة توجيهك إلى صفحة التجربة لتتبع تقدم وظيفتك بمجرد أن تبدأها. لمعرفة كيفية عرض بطاقة الأداء المسؤولة الذكاء الاصطناعي واستخدامها، راجع استخدام بطاقة أداء الذكاء الاصطناعي المسؤول (معاينة).
الخطوات التالية
- بمجرد إنشاء لوحة معلومات الذكاء الاصطناعي المسؤولة، اعرض كيفية الوصول إليها واستخدامها في استوديو التعلم الآلي من Microsoft Azure.
- تعرف على المزيد حول المفاهيم والتقنيات خلف لوحة معلومات الذكاء الاصطناعي المسؤولة.
- تعرف على المزيد عن كيفية جمع البيانات بشكل مسؤول.
- 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 Responsible AI من خلال هذا العرض التوضيحي التفاعلي على الويب لأنشطة الذكاء الاصطناعي المعملية.