ความรับผิดชอบ
จัดทุกอย่างให้เป็นระเบียบอยู่เสมอด้วยคอลเล็กชัน
บันทึกและจัดหมวดหมู่เนื้อหาตามค่ากำหนดของคุณ
ความรับผิดชอบหมายถึงการยอมรับความรับผิดชอบต่อผลกระทบของระบบ AI
ความรับผิดชอบมักเกี่ยวข้องกับความโปร่งใสหรือการแชร์ข้อมูลเกี่ยวกับลักษณะการทํางานของระบบและกระบวนการขององค์กร ซึ่งอาจรวมถึงการบันทึกและแชร์วิธีสร้าง ฝึก และประเมินโมเดลและชุดข้อมูล เว็บไซต์ต่อไปนี้อธิบายรูปแบบที่มีประโยชน์ 2 รูปแบบของเอกสารความรับผิดชอบ
มิติการแสดงความรับผิดชอบอีกประการหนึ่งคือความสามารถในการตีความ ซึ่งเกี่ยวข้องกับความเข้าใจในการตัดสินใจของโมเดล ML โดยที่มนุษย์สามารถระบุฟีเจอร์ที่ทําให้เกิดคําคาดการณ์ได้ นอกจากนี้ ความสามารถในการอธิบายคือความสามารถในการอธิบายการตัดสินอัตโนมัติของโมเดลในลักษณะที่มนุษย์เข้าใจ
อ่านเพิ่มเติมเกี่ยวกับการสร้างความไว้วางใจของผู้ใช้ในระบบ AI ได้ที่ส่วนความสามารถในการอธิบาย + ความไว้วางใจในคู่มือผู้ใช้ + AI
นอกจากนี้ คุณยังดูแหล่งข้อมูลเกี่ยวกับความสามารถในการอธิบายของ Google เพื่อดูตัวอย่างการใช้งานจริงและแนวทางปฏิบัติแนะนำได้ด้วย
เนื้อหาของหน้าเว็บนี้ได้รับอนุญาตภายใต้ใบอนุญาตที่ต้องระบุที่มาของครีเอทีฟคอมมอนส์ 4.0 และตัวอย่างโค้ดได้รับอนุญาตภายใต้ใบอนุญาต Apache 2.0 เว้นแต่จะระบุไว้เป็นอย่างอื่น โปรดดูรายละเอียดที่นโยบายเว็บไซต์ Google Developers Java เป็นเครื่องหมายการค้าจดทะเบียนของ Oracle และ/หรือบริษัทในเครือ
อัปเดตล่าสุด 2025-07-27 UTC
[null,null,["อัปเดตล่าสุด 2025-07-27 UTC"],[[["\u003cp\u003eAccountability in AI involves taking ownership for the effects of a system, often achieved through transparency about the system's development and behavior.\u003c/p\u003e\n"],["\u003cp\u003eTransparency can be enhanced using documentation practices like Model Cards and Data Cards, which provide information about models and datasets.\u003c/p\u003e\n"],["\u003cp\u003eInterpretability and explainability are crucial aspects of accountability, enabling understanding of model decisions and providing human-understandable explanations for automated actions.\u003c/p\u003e\n"],["\u003cp\u003eFostering user trust in AI systems requires focusing on explainability and transparency, with further resources available in Google's Responsible AI Practices and Explainability Resources.\u003c/p\u003e\n"]]],[],null,["# Accountability\n\n\u003cbr /\u003e\n\n**Accountability** means owning responsibility for the effects of an AI system.\nAccountability typically involves **transparency**, or sharing information about\nsystem behavior and organizational process, which may include documenting and\nsharing how models and datasets were created, trained, and evaluated. The\nfollowing sites explain two valuable modes of accountability documentation:\n\n- [Model Cards](https://modelcards.withgoogle.com/about)\n- [Data Cards](https://sites.research.google/datacardsplaybook/)\n\nAnother dimension of accountability is **interpretability** , which involves the\nunderstanding of ML model decisions, where humans are able to identify features\nthat lead to a prediction. Moreover, **explainability** is the ability for a\nmodel's automated decisions to be explained in a way for humans to understand.\n\nRead more about building user trust in AI systems in the [Explainability +\nTrust](https://pair.withgoogle.com/chapter/explainability-trust/) section of the\n[People + AI Guidebook](https://pair.withgoogle.com/guidebook).\nYou can also check out [Google's Explainability Resources](https://explainability.withgoogle.com/)\nfor real life examples and best practices."]]
