世界各地的组织都在为人工智能（AI）驱动的未来做好准备。从供应链系统到基因组学，从预测性维护到自主系统，转型的每一个方面都在利用人工智能。这就提出了一个非常重要的问题：我们如何确保人工智能系统和模型显示出正确的道德行为，并提供可以解释和数据支持的结果？本周在Spark+AI峰会上，我们讨论了微软致力于推进人工智能和机器学习的承诺，这些原则将以人为本。了解、保护和控制您的机器学习解决方案在过去的几年里，机器学习已经从研究实验室转移到了主流领域，并从拥有博士学位的数据科学家的利基学科发展成为所有开发者都有权参与的学科。权力带来责任。随着机器学习受众的扩大，越来越多的实践者被要求构建易于解释且符合隐私规定的人工智能系统。为了克服这些障碍，我们微软公司与以太委员会及其工作组合作，提供了负责任的机器学习（responsible machine learning，负责任的ML）创新，帮助开发人员在机器学习的整个生命周期中理解、保护和控制他们的模型。这些功能可以在任何基于Python的环境中访问，并且已经在GitHub上开源以邀请社区贡献。 理解模型行为包括能够解释和消除模型中的任何不公平。分别由InterpretML和Fairlearn工具包提供支持的可解释性和公平性评估功能可以实现这种理解。这些工具箱有助于确定模型行为，减轻任何不公平，并提高模型内的透明度。通过确保数据隐私和保密性来保护用于创建模型的数据是负责任的ML的另一个重要方面。我们发布了一个差异隐私工具包，它与哈佛定量社会科学研究所和工程学院的研究人员合作开发。工具箱在保持信息预算的同时，对数据应用统计噪声。这确保了个人的隐私，同时使机器学习过程能够安全运行。通过审计跟踪和数据表等特性控制模型及其元数据，可以使负责任的ML功能全面发挥。在Azure机器学习中，审计功能跟踪机器学习模型生命周期中的所有操作。出于法规遵从性的原因，组织可以利用此审核跟踪来跟踪模型的预测如何以及为什么会显示某些行为。如今，许多客户（如安永和斯堪的纳维亚航空公司）利用这些功能构建符合道德、合规、透明和值得信赖的解决方案，同时改善客户体验。我们对开源的持续承诺除了开源我们负责任的ML工具包外，还有两个项目我们正在与社区共享。第一个是Hyperspace，它是apachespark的一个新的可扩展索引子系统。它被设计成一个简单的附加组件，并且附带了Scala、Python和.Net支持。Hyperspace与azuresynapse Analytics中的索引引擎相同。在对TPC-H和TPC-DS等常见工作负载进行基准测试时，Hyperspace分别提供了2倍和1.8倍的收益。超空间现在在GitHub上。我们期待着在超空间上看到新的想法和贡献，以使apachespark的性能更好。第二个是ONNX运行时支持加速训练的预览。最新发布的training acceleration融合了AI at Scale计划的创新，例如ZeRO optimization和ProjectParasail，它们提高了GPU上的内存利用率和并行性。我们非常重视我们与开源社区的合作，并期待着在业界合作建立负责任的ML实践。额外资源了解更多关于负责任的ML。通过一个交互式演示来演示负责任的ML。阅读IDC关于负责任人工智能的白皮书。使用Azure架构中心进行分析和人工智能方面的成熟架构。