Explainable AIBeta
Tools und Frameworks, die Ihnen dabei helfen, Ihre Modelle für maschinelles Lernen zu verstehen und zu interpretieren
KI-Ausgabe verstehen und Vertrauen schaffen
Explainable AI umfasst eine Reihe von Tools und Frameworks, mit deren Hilfe Sie durch Ihre ML-Modelle generierte Vorhersagen verstehen und interpretieren können. Sie haben die Möglichkeit, Ihre Modelle zu debuggen und deren Leistung zu steigern sowie anderen zu helfen, das Modellverhalten zu verstehen. Außerdem können Sie Feature-Attributionen für Modellvorhersagen in AutoML Tables und der AI Platform erstellen und das Modellverhalten mit dem What-If-Tool visuell untersuchen.
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, AI Platform Predictions und AI Platform Notebooks liefert Data Scientists die erforderlichen Informationen, mit denen sie dann Datasets und Modellarchitekturen verbessern und die Modellleistung steigern können. 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. Sie können die von den Modellen auf der AI Platform getroffenen Vorhersagen auf einfache Weise überwachen. Dank der kontinuierlichen Evaluierung lassen sich Modellvorhersagen mit Ground-Truth-Labels vergleichen. So erhalten Sie fortlaufend Feedback und können die Modellleistung optimieren.
Features
AI Explanations
Anhand einer Bewertung können Sie sehen, welchen Beitrag jeder Faktor für die Modellvorhersagen in AutoML Tables, AI Platform Notebooks oder über die AI Platform Prediction API leistet. Hier erfahren Sie, wie diese Bewertungen zu interpretieren sind.
What-If-Tool
Untersuchen Sie mit dem auf der AI Platform eingebundenen What-If-Tool in Ihrem Dataset für unterschiedliche Features die Modellleistung, Optimierungsstrategien und auch Änderungen an einzelnen Datenpunktwerten.
Kontinuierliche Evaluierung
Sie können die Vorhersage von trainierten ML-Modellen, die auf der AI Platform bereitgestellt werden, stichprobenartig überprüfen und mithilfe von kontinuierlicher Evaluierung Ground-Truth-Labels für Vorhersageeingaben erstellen. Der Data Labeling Service vergleicht dann die Modellvorhersagen mit den 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 zur Lösung dieser Herausforderung für unsere Branche bereits 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, Vivint SmartHome
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 beim Bereitstellen von für Menschen verständlichen Erklärungen zum Verhalten unserer Modelle macht.
Chris Jones, Chief Technology Officer bei iRobot
Ressourcen
Increasing transparency with Google Cloud AI Explanations
AI Explanations für die AI Platform
Features und Merkmale von AutoML Tables
Explaining model predictions on image data
Explaining model predictions on structured data
Getting started with the What-If Tool
Codebeispiele für Explainable AI
Whitepaper zu AI Explanations
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 kostenlose 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.