【簡介】 作者完美呈現監管單位觀點、風險管理、可解釋性與其他諸多主題的概觀，同時提供實務建議與程式碼範例。」 —Christoph Molnar Interpretable Machine Learning作者 「使用獨特戰術處理方式，解決ML系統風險，讓本書脫穎而出。透過細微差異的處理降低ML風險，為讀者提供寶貴資源，以負責任又可持續的方式成功佈署ML系統。」 —Liz Grennan Digital Trust, McKinsey&Company初級合夥人暨全球事務共同領導者 過去十年，見證了人工智慧與機器學習(AI/ML)技術的廣泛採用。然而，疏於監督這些廣泛實施的技術，導致原本可由適切風險管理來避免的事故與不良後果。在認識AI/ML真正的好處前，從業人員必須瞭解如何降低風險。 本書說明負責任AI的處理方式：建立在風險管理、資安、資料隱私上，並套用社交科學的最佳實作，提升AI/ML技術、商業程序與文化能力的完整框架。作者Patrick Hall、James Curtis與Parul Pandey創作了這本指南，以期能協助企業、客戶與大眾改善真實世界AI/ML系統結果的資料科學家。 ‧學習完整涵蓋可解釋性、模組驗證與除錯、偏見管理、資料隱私與ML安全性的負責任AI技術處理 ‧學習如何建立成功的、有影響力的AI風險管理實作 ‧對採用AI技術的現有標準、法律與評估方式有基本瞭解，包括近期的NIST AI Risk Management Framework ‧使用GitHub與Colab的互動式資源 【目錄】 前言 第一部 AI風險管理理論與實務應用 第一章 當代機器學習風險管理 第二章 可詮釋性與可解釋性機器學習 第三章 機器學習系統的安全與效能除錯 第四章 機器學習偏差管理 第五章 機器學習安全性 第二部 AI 風險管理付諸實現 第六章 可解釋增強機與解釋XGBoost 第七章 解釋PyTorch 影像分類器 第八章 XGBoost 模型的選擇與除錯 第九章 PyTorch 影像分類除錯 第十章 使用XGBoost 測試與補救偏差 第十一章 XGBoost 紅隊演練 第三部 結論 第十二章 如何實現高風險機器學習目標 索引