Lompati ke konten utamaBrowser ini sudah tidak didukung. Show Mutakhirkan ke Microsoft Edge untuk memanfaatkan fitur, pembaruan keamanan, dan dukungan teknis terkini. Menggunakan kartu skor AI yang bertanggung jawab (pratinjau) di Azure Machine Learning
Dalam artikel iniBERLAKU UNTUK: Ekstensi ml Azure CLI v2 (saat ini)Python SDK azure-ai-ml v2 (saat ini)Kartu skor Azure Machine Learning Responsible AI adalah laporan PDF yang dihasilkan berdasarkan wawasan dan penyesuaian dasbor Responsible AI kami untuk menyertai model pembelajaran mesin Anda. Anda dapat dengan mudah mengonfigurasi, mengunduh, dan membagikan kartu skor PDF Anda dengan pemangku kepentingan teknis dan non-teknis untuk mendidik mereka tentang kesehatan data dan model Anda, kepatuhan, dan membangun kepercayaan. Kartu skor ini juga dapat digunakan dalam tinjauan audit untuk memberi tahu pemangku kepentingan tentang karakteristik model Anda. Tempat menemukan kartu skor AI yang Bertanggung JawabKartu skor Responsible AI ditautkan ke dasbor Responsible AI. Untuk melihat kartu skor AI yang Bertanggung Jawab, masuk ke registri model Anda dengan memilih Model di studio Azure Machine Learning. Kemudian pilih model terdaftar yang telah Anda buat dasbor dan kartu skor AI yang bertanggung jawab. Setelah Anda memilih model, pilih tab AI yang bertanggung jawab untuk melihat daftar dasbor yang dihasilkan. Pilih dasbor mana yang ingin Anda ekspor PDF kartu skor AI yang Bertanggung Jawab dengan memilih Wawasan AI bertanggung jawab lalu **Lihat semua kartu skor PDF.
Cara membaca kartu skor Responsible AIKartu skor Responsible AI adalah ringkasan PDF wawasan utama Anda dari dasbor Responsible AI. Segmen ringkasan pertama kartu skor memberi Anda gambaran umum tentang model pembelajaran mesin dan nilai target utama yang telah Anda tetapkan untuk membantu semua pemangku kepentingan menentukan apakah model Anda siap untuk disebarkan: Segmen analisis data menunjukkan karakteristik data Anda, karena cerita model apa pun tidak lengkap tanpa pemahaman yang benar tentang data Anda: Segmen performa model menampilkan metrik dan karakteristik terpenting model Anda dari prediksi Anda dan seberapa baik mereka memenuhi nilai target yang Anda inginkan: Selanjutnya, Anda juga dapat melihat kohor data berperforma teratas dan kohor data berperforma terburuk dan subgrup yang secara otomatis diekstrak untuk Anda guna melihat spot buta model Anda: Kemudian Anda dapat melihat faktor penting teratas yang memengaruhi prediksi model Anda, yang merupakan persyaratan untuk membangun kepercayaan dengan bagaimana model Anda melakukan tugasnya: Anda selanjutnya dapat melihat wawasan kewajaran model Anda dirangkum dan memeriksa seberapa baik model Anda memenuhi nilai target kewajaran yang telah Anda tetapkan untuk grup sensitif yang Anda inginkan: Terakhir, Anda dapat melihat ringkasan wawasan kausal kumpulan data Anda, yang dapat membantu menentukan apakah faktor atau perawatan yang Anda identifikasi memiliki efek kausal pada hasil dunia nyata: Langkah berikutnya
Sumber Daya Tambahan:Sumber Daya Tambahan:Dalam artikel ini |