Forwarded from Daily Coding 🔥
📖Learning Google Cloud Vertex AI
🖋Hemanth Kumar 2024
Это подробное руководство призвано помочь любителям работы с данными эффективно использовать Vertex AI от Google Cloud Platform для широкого спектра операций машинного обучения. В нем рассматриваются основы работы с Google Cloud Platform, включая облачное хранилище, BigQuery и IAM. Далее речь пойдет о специфике Vertex AI, в том числе об AutoML, обучении пользовательских моделей, развертывании моделей на конечных точках, разработке конвейеров Vertex AI и хранилище функций Explainable AI.
💾 Скачать книгу
Daily Coding #книги #AI & Max
🖋Hemanth Kumar 2024
Это подробное руководство призвано помочь любителям работы с данными эффективно использовать Vertex AI от Google Cloud Platform для широкого спектра операций машинного обучения. В нем рассматриваются основы работы с Google Cloud Platform, включая облачное хранилище, BigQuery и IAM. Далее речь пойдет о специфике Vertex AI, в том числе об AutoML, обучении пользовательских моделей, развертывании моделей на конечных точках, разработке конвейеров Vertex AI и хранилище функций Explainable AI.
💾 Скачать книгу
Daily Coding #книги #AI & Max
Forwarded from Цифровой геноцид
UX и AI - концепция Explainable AI. Статья Explainable AI: roles and stakeholders, desirements and challenges
Хоффман для меня важный автор - он один из пионеров разных подходов когнитивных интервью и анализа когнитивных задач, автор многочисленных книг по природе экспертизы и экспертного знания при взаимодействии с интерфейсами и продуктами https://www.ihmc.us/groups/rhoffman/
Его статья с соавторами посвящена проблеме и аспекту объяснимости ИИ и выводов языковых моделей, пресловутый ExAI, кажется, наиболее крутая тема с точки зрения дизайна и человекоориентированного восприятия. Идея систем ИИ, которые могли бы объяснять себя конечным пользователям, была отчасти стимулирована Докладом Европейского союза о праве на объяснение решения, принимаемого системой ИИ
Существуют успешные демонстрации того, что машинно-генерируемые объяснения могут положительно влиять на производительность. Пользователи иногда хотят объяснений, но объяснения особенно полезны, когда ИИ ошибается. Объяснения могут влиять на доверие пользователя к ИИ и помогать пользователям формировать более богатые ментальные модели того, как работает ИИ
Объяснения помогали людям проверять рекомендацию ИИ и решать, приведёт ли изменение входных данных к изменению рекомендации ИИ. Объяснительный человеко-машинный диалог может улучшать процесс приобретения знаний для экспертных систем продемонстрировали, что «рационалы» человека (аннотации) текстового материала, которые система машинного обучения представляет в качестве объяснений своих классификаций, приводят к суждениям о том, что объяснения улучшились. Обратный результат состоит в том, что объяснения не всегда помогают. Они могут негативно влиять на уверенность пользователя в конечном решении
Проблема в том, а что такое объяснимость?
Объяснение систем ИИ пользователям, заинтересованным сторонам или другим бенефициарам систем ИИ почти неизбежно будет отличаться от объяснений, которые удовлетворяют формалистскому пониманию объяснимости, интерпретируемости или прозрачности — таких как деревья решений и логические программы. Разработчикам нужны «научные» объяснения, тогда как конечным пользователям или неспециалистам — «повседневные» объяснения.
Некоторые авторы предложили спекулятивное сопоставление групп заинтересованных сторон с различными требованиями к объяснениям: конечным пользователям (лицам, принимающим решения) нужны объяснения, которые позволяют им формировать доверие и «возможно, предоставляют им дополнительное понимание для улучшения их будущих решений и понимания явления». Затронутым сторонам нужны объяснения, которые позволяют им определить, справедливо ли с ними обошлись. Регуляторам необходимо знать, что решения являются справедливыми и безопасными. Разработчикам систем необходимо знать, работает ли ИИ как ожидается, как диагностировать и улучшать ИИ, а также, возможно, получать понимание из его решений.
Хотя большая часть работы в этой области сосредоточена на таксономиях, эти представления начали проникать в продукты. Например, демонстрация IBM AI Explainability 360 (IBM, 2021) имеет отдельные интерфейсы для трёх различных типов «потребителей» (клиент банка, кредитный специалист и специалист по данным), которые предлагают всё более сложные перспективы правил принятия решений, а также переход от примеров, основанных на случаях, в качестве объяснений к крупномасштабным представлениям базовых данных в сценарии заявки на кредит
Авторы провели некоторое число интервью, результатом которых стал “Справочник по объяснимости ИИ” (PLAYBOOK, прости Господи), который сам по себе позволял соотнести роль и возможное необходимое объяснение - но не обошлось без сюрпризов, потому что в конечном итоге самообъяснимость имеет дополнительные значения для пользователей: дать обучающемуся возможность развить более богатую ментальную модель работы ИИ, но также удовлетворить любопытство, делать более точные прогнозы поведения ИИ, достичь соответствующего доверия к ИИ-модели, объяснить кому-то другому логику выбора.
При этом есть устойчивый класс пользователей, которым не интересен и не нужен объяснение как получен вывод, ну это тоже логично, сценарий поисковика
Наиболее интересное замечание, мне кажется, следующее. Инструкторы и тренеры должны иметь возможность обучать конечных пользователей тому, «как оно отказывает» и «как оно вводит в заблуждение» (ограничения и слабые стороны)
Инструкторы — и люди в других ролях заинтересованных сторон — должны иметь понимание, достаточное для того, чтобы объяснять систему ИИ не себе, а другим людям. Инструкторам, конечно, нужен доступ к богатому корпусу случаев, которые являются репрезентативными для контекстов внедрения. Но они также должны иметь возможность обучать конечных пользователей заниматься деятельностью по обслуживанию и устранению неполадок. Инструкторы должны иметь возможность обучать конечных пользователей чувствовать, насколько быстро они войдут в серую зону в различных сценариях. ИИ нужно делать больше, чем объяснять «почему» конкретных решений: оно должно иметь возможность давать пользователю заблаговременное знание о том, когда рабочая система приближается к граничному случаю.
Обучение на граничных случаях имеет решающее значение для установления доверия к ИИ
Сама статья:
https://www.frontiersin.org/journals/computer-science/articles/10.3389/fcomp.2023.1117848/full
Хоффман для меня важный автор - он один из пионеров разных подходов когнитивных интервью и анализа когнитивных задач, автор многочисленных книг по природе экспертизы и экспертного знания при взаимодействии с интерфейсами и продуктами https://www.ihmc.us/groups/rhoffman/
Его статья с соавторами посвящена проблеме и аспекту объяснимости ИИ и выводов языковых моделей, пресловутый ExAI, кажется, наиболее крутая тема с точки зрения дизайна и человекоориентированного восприятия. Идея систем ИИ, которые могли бы объяснять себя конечным пользователям, была отчасти стимулирована Докладом Европейского союза о праве на объяснение решения, принимаемого системой ИИ
Существуют успешные демонстрации того, что машинно-генерируемые объяснения могут положительно влиять на производительность. Пользователи иногда хотят объяснений, но объяснения особенно полезны, когда ИИ ошибается. Объяснения могут влиять на доверие пользователя к ИИ и помогать пользователям формировать более богатые ментальные модели того, как работает ИИ
Объяснения помогали людям проверять рекомендацию ИИ и решать, приведёт ли изменение входных данных к изменению рекомендации ИИ. Объяснительный человеко-машинный диалог может улучшать процесс приобретения знаний для экспертных систем продемонстрировали, что «рационалы» человека (аннотации) текстового материала, которые система машинного обучения представляет в качестве объяснений своих классификаций, приводят к суждениям о том, что объяснения улучшились. Обратный результат состоит в том, что объяснения не всегда помогают. Они могут негативно влиять на уверенность пользователя в конечном решении
Проблема в том, а что такое объяснимость?
Объяснение систем ИИ пользователям, заинтересованным сторонам или другим бенефициарам систем ИИ почти неизбежно будет отличаться от объяснений, которые удовлетворяют формалистскому пониманию объяснимости, интерпретируемости или прозрачности — таких как деревья решений и логические программы. Разработчикам нужны «научные» объяснения, тогда как конечным пользователям или неспециалистам — «повседневные» объяснения.
Некоторые авторы предложили спекулятивное сопоставление групп заинтересованных сторон с различными требованиями к объяснениям: конечным пользователям (лицам, принимающим решения) нужны объяснения, которые позволяют им формировать доверие и «возможно, предоставляют им дополнительное понимание для улучшения их будущих решений и понимания явления». Затронутым сторонам нужны объяснения, которые позволяют им определить, справедливо ли с ними обошлись. Регуляторам необходимо знать, что решения являются справедливыми и безопасными. Разработчикам систем необходимо знать, работает ли ИИ как ожидается, как диагностировать и улучшать ИИ, а также, возможно, получать понимание из его решений.
Хотя большая часть работы в этой области сосредоточена на таксономиях, эти представления начали проникать в продукты. Например, демонстрация IBM AI Explainability 360 (IBM, 2021) имеет отдельные интерфейсы для трёх различных типов «потребителей» (клиент банка, кредитный специалист и специалист по данным), которые предлагают всё более сложные перспективы правил принятия решений, а также переход от примеров, основанных на случаях, в качестве объяснений к крупномасштабным представлениям базовых данных в сценарии заявки на кредит
Авторы провели некоторое число интервью, результатом которых стал “Справочник по объяснимости ИИ” (PLAYBOOK, прости Господи), который сам по себе позволял соотнести роль и возможное необходимое объяснение - но не обошлось без сюрпризов, потому что в конечном итоге самообъяснимость имеет дополнительные значения для пользователей: дать обучающемуся возможность развить более богатую ментальную модель работы ИИ, но также удовлетворить любопытство, делать более точные прогнозы поведения ИИ, достичь соответствующего доверия к ИИ-модели, объяснить кому-то другому логику выбора.
При этом есть устойчивый класс пользователей, которым не интересен и не нужен объяснение как получен вывод, ну это тоже логично, сценарий поисковика
Наиболее интересное замечание, мне кажется, следующее. Инструкторы и тренеры должны иметь возможность обучать конечных пользователей тому, «как оно отказывает» и «как оно вводит в заблуждение» (ограничения и слабые стороны)
Инструкторы — и люди в других ролях заинтересованных сторон — должны иметь понимание, достаточное для того, чтобы объяснять систему ИИ не себе, а другим людям. Инструкторам, конечно, нужен доступ к богатому корпусу случаев, которые являются репрезентативными для контекстов внедрения. Но они также должны иметь возможность обучать конечных пользователей заниматься деятельностью по обслуживанию и устранению неполадок. Инструкторы должны иметь возможность обучать конечных пользователей чувствовать, насколько быстро они войдут в серую зону в различных сценариях. ИИ нужно делать больше, чем объяснять «почему» конкретных решений: оно должно иметь возможность давать пользователю заблаговременное знание о том, когда рабочая система приближается к граничному случаю.
Обучение на граничных случаях имеет решающее значение для установления доверия к ИИ
Сама статья:
https://www.frontiersin.org/journals/computer-science/articles/10.3389/fcomp.2023.1117848/full
IHMC | Institute for Human & Machine Cognition
Robert Hoffman
Forwarded from Shock Design
Культовые постеры, которые покорили мир
😎 Че Гевара
Образ Эрнесто Че Гевары вошел в массовую культуру как символ революции.
Этот высококонтрастный дизайн аргентинской поп-иконы создал ирландский художник Джим Фитцпатрик. Если внимательно присмотреться, можно увидеть инициал F, который художник спрятал на плече Че Гевары.
Образ Эрнесто Че Гевары вошел в массовую культуру как символ революции.
Этот высококонтрастный дизайн аргентинской поп-иконы создал ирландский художник Джим Фитцпатрик. Если внимательно присмотреться, можно увидеть инициал F, который художник спрятал на плече Че Гевары.
Please open Telegram to view this post
VIEW IN TELEGRAM
Forwarded from The Devs
Forwarded from The Devs
Immersive Linear Algebra; a book with fully interactive figures.
#resources #book #math
@thedevs
https://thedevs.link/WgkLUv
#resources #book #math
@thedevs
https://thedevs.link/WgkLUv