Explainable AIBeta
Tools und Frameworks zum Bereitstellen interpretierbarer und integrativer ML-Modelle
KI-Ausgabe verstehen und Vertrauen schaffen
Explainable AI umfasst eine Reihe von Tools und Frameworks, mit deren Hilfe Sie interpretierbare und integrative ML-Modelle erstellen und zuversichtlich bereitstellen können. Sie können damit Feature-Zuordnungen in AutoML Tables und auf der AI Platform verstehen und mit dem What-If-Tool das Modellverhalten visuell darstellen. Darüber hinaus vereinfacht die Lösung die Modell-Governance durch die kontinuierliche Evaluierung der Modelle mit der AI Platform.
Interpretierbare und integrative KI-Systeme erstellen
Erstellen Sie von Grund auf neue interpretierbare und integrative KI-Systeme mithilfe von Tools, die es Ihnen erleichtern, Verzerrungen und andere Lücken in Daten und Modellen zu erkennen und aufzulösen. AI Explanations in AutoML Tables und auf der AI Platform liefert Data Scientists die erforderlichen Informationen, um Datasets oder die Modellarchitektur zu verbessern und die Modellleistung zu steigern. Mit dem What-If-Tool erhalten Sie einen Überblick über das Modellverhalten.
KI zuversichtlich bereitstellen
Fördern Sie das Vertrauen von Endnutzern und erhöhen Sie die Transparenz mit für Menschen verständlichen Erklärungen von ML-Modellen. Wenn Sie ein Modell in AutoML Tables oder auf der AI Platform bereitstellen, erhalten Sie in Echtzeit eine Vorhersage und eine Bewertung des Einflusses eines Faktors auf das Endergebnis. Erklärungen geben zwar keine Auskunft über grundlegende Beziehungen in Ihrer Datenprobe oder -population, lassen aber die vom Modell in den Daten gefundenen Muster erkennen.
Modell-Governance optimieren
Erleichtern Sie Ihrer Organisation die Verwaltung und Verbesserung von ML-Modellen durch optimiertes Monitoring der Leistung und Training. Überwachen Sie auf einfache Weise die von den Modellen auf der AI Platform getroffenen Vorhersagen. Dank der kontinuierlichen Evaluierung können Sie Modellvorhersagen mit Ground-Truth-Labels vergleichen, um fortlaufend Feedback zu erhalten und die Modellleistung zu optimieren.
Features
AI Explanations
Anhand einer Bewertung können Sie sehen, wie sich jeder Faktor auf das Endergebnis der Modellvorhersage auswirkt. Hier erfahren Sie, wie diese Bewertungen zu interpretieren sind.
What-If-Tool
Untersuchen Sie mit dem auf der AI Platform eingebundenen What-If-Tool für unterschiedliche Features in Ihrem Dataset die Modellleistung, Optimierungsstrategien und auch Änderungen an einzelnen Datenpunktwerten.
Kontinuierliche Evaluierung
Prüfen Sie stichprobenartig die Vorhersage von trainierten ML-Modellen, die auf der AI Platform bereitgestellt werden. Liefern Sie mithilfe von kontinuierlicher Evaluierung Ground-Truth-Labels für Vorhersageeingaben. Der Data Labeling Service vergleicht Modellvorhersagen mit Ground-Truth-Labels, um Ihnen die Optimierung der Modelleistung zu erleichtern.
Für den Einsatz von KI in unserer Branche ist es wichtig zu verstehen, wie Modelle zu ihren Ergebnissen gelangen. Wir sind vom Fortschritt begeistert, den Google Cloud bereits zur Lösung dieser Herausforderung für unsere Branche erzielt hat. Mit Tools wie dem What-If-Tool und Feature-Attributionen auf der AI Platform können unsere Data Scientists Modelle zuversichtlich erstellen und für uns verständliche Erklärungen liefern.
Stefan Hoejmose, Head of Data Journeys bei Sky
Die Introspektion von Modellen ist sowohl für die Entwicklung als auch für die Bereitstellung von Modellen wichtig. Wir konzentrieren uns mitunter zu sehr auf prädiktive Fähigkeiten, wenn in der Tat das besser erklärbare Modell meist auch das nützlichste und vor allem das vertrauenswürdigste ist. Wir sind von den neuen Tools von Google Cloud begeistert, die sowohl unseren Data Scientists als auch unseren Modellnutzern das Leben erleichtern.
Erik Andrejko, Chief Technology Officer bei wellio
Die Interpretierbarkeit von Modellen ist für uns wichtig, um KI-Prozesse zu optimieren und die bestmögliche Lösung für ein Problem zu finden. Google holt in Explainable AI durch Forschung und Entwicklung das Maximum heraus. Google Cloud bietet uns außerdem bewährte Technologien, um die Herausforderung der Modellinterpretierbarkeit zu lösen und unsere Data-Science-Fähigkeiten zu verbessern.
Aaron Davis, Chief Data Scientist bei Vivint Smart Home
Wir nutzen neuronale Netzwerke, um Funktionen für zukünftige Produkte zu entwickeln. Nutzerfreundliche, hochwertige Lösungen, die das Training unserer Deep-Learning-Modelle verbessern, sind für unsere Arbeit ein Muss. Wir sind begeistert davon, wie Google Cloud Fortschritte beim Lösen der Problematik der Feature-Attributionen sowie der Bereitstellung für Menschen verständlicher Erklärungen zum Verhalten unserer Modelle macht.
Chris Jones, Chief Technology Officer bei iRobot
Ressourcen
Increasing transparency with Google Cloud AI Explanations
AI Explanations for AI Platform
AI Explanations for AutoML Tables
Whitepaper zu AI Explanations
Getting started with the What-If Tool
Using the What-If Tool to compare AI Platform models
Analyzing a financial ML model deployed on AI Platform with the What-If Tool
AI at Google: our principles
Responsible AI: Putting our principles into action
Preise
Für AI Explanations fallen für Nutzer von AutoML Tables oder der AI Platform keine zusätzlichen Kosten an. Cloud AI wird nach Knotenstunden abgerechnet. Zum Ausführen von AI Explanations für Modellvorhersagen sind Rechenleistung und Speicher erforderlich. Daher steigt die Zahl der Knotenstunden bei der Nutzung von Explainable AI möglicherweise an.
Preisangaben aufrufen
Nächste Schritte
Lernen und erstellen
Profitieren Sie von einer Gutschrift über 300 $, um Google Cloud und mehr als 20 "Immer kostenlos"-Produkte kennenzulernen.
Benötigen Sie weitere Hilfe?
Unsere Experten unterstützen Sie dabei, die passende Lösung oder den richtigen Partner für Ihre Anforderungen zu finden.
KI-Produkte von Google Cloud entsprechen den hier aufgeführten SLA-Richtlinien.
Sie bieten eventuell von anderen Google Cloud-Diensten abweichende Latenz- oder Verfügbarkeitsgarantien.