Đưa AI có trách nhiệm từ lý thuyết vào thực tế

Đánh giá mô hình trên Amazon Bedrock giúp bạn đánh giá, so sánh và chọn mô hình nền tảng tốt nhất cho trường hợp sử dụng của bạn dựa trên các số liệu tùy chỉnh như độ chính xác, độ mạnh mẽ và độ độc hại. Bạn cũng có thể sử dụng Amazon SageMaker Clarify và fmeval để đánh giá mô hình.

Thiên kiến là sự mất cân bằng trong dữ liệu hoặc sự chênh lệch trong hiệu suất của một mô hình giữa các nhóm khác nhau. Amazon SageMaker Clarify giúp bạn giảm thiểu thiên kiến bằng cách phát hiện sớm thiên kiến tiềm ẩn trong quá trình chuẩn bị dữ liệu, sau khi đào tạo mô hình và trong mô hình đã triển khai bằng cách kiểm tra các thuộc tính cụ thể.

Hiểu hành vi của mô hình là rất quan trọng để phát triển các mô hình chính xác hơn và đưa ra quyết định tốt hơn. Amazon SageMaker Clarify cung cấp khả năng hiển thị hành vi của mô hình tốt hơn, do đó bạn có thể chứng minh tính minh bạch cho các bên liên quan, đưa ra các quyết định có yếu tố con người và theo dõi xem mô hình có hoạt động như dự định hay không.

Khám phá Amazon SageMaker Clarify

Công tác giám sát rất quan trọng để duy trì các mô hình máy học (ML) chất lượng cao và giúp đảm bảo dự đoán chính xác. Trình giám sát mẫu của Amazon SageMaker tự động phát hiện và cảnh báo bạn về các dự đoán không chính xác từ các mô hình được triển khai. Và với Amazon SageMaker Ground Truth, bạn có thể áp dụng phản hồi do con người cung cấp trong suốt vòng đời máy học để cải thiện độ chính xác và mức độ phù hợp của các mô hình.

Quản trị máy học từ Amazon SageMaker cung cấp các công cụ được xây dựng theo mục đích để cải thiện quản trị các dự án máy học bằng cách cho phép bạn kiểm soát chặt chẽ hơn và hiển thị các mô hình máy học của mình. Bạn có thể dễ dàng nắm bắt và chia sẻ thông tin mô hình và cập nhật thông tin về hành vi của mô hình, như thiên kiến, ở một nơi duy nhất.