Trace Id is missing
跳到主要內容
Microsoft
Microsoft AI
Microsoft AI
Microsoft AI
Home
產品和解決方案
個人用
個人用
Microsoft Copilot
下載 Copilot 應用程式
適用於組織
適用於組織
Microsoft 365 Copilot
下載 Microsoft 365 Copilot 應用程式
適用於組織的 Copilot
自訂您的 Copilot
自訂您的 Copilot
Copilot Studio
建置您自有的
建置您自有的
Azure AI Foundry
Azure AI 服務
Azure AI 解決方案
Intelligent PCs
Intelligent PCs
Copilot+ PCs
適用於商務領導人員的 AI
負責任 AI
概觀
準則和方法
工具和做法
客戶案例
深入了解
部落格中的 AI
AI 學習中心
More
Microsoft 所有
Global
Microsoft 安全性
Azure
Dynamics 365
Microsoft 365
Microsoft Teams
Windows 365
科技與創新
科技與創新
Microsoft 雲端
人工智能
Azure Space
混合實境
Microsoft HoloLens
Microsoft Viva
量子運算
可持續發展
行業
行業
教育
汽車業
金融服務
政府機關
醫療保健
製造
零售
所有行業
合作夥伴
合作夥伴
尋找合作夥伴
成為合作夥伴
合作夥伴網絡
Azure 市場
AppSource
資源
資源
網誌
Microsoft 廣告
開發人員中心
文件
活動
授權
Microsoft 學習
Microsoft 研究
查看網站地圖
Microsoft 負責任 AI
原則和方法
我們致力於以透明、可靠且信賴的方式開發 AI 系統。
負責任 AI 標準
負責任 AI 標準
AI 原則
實作負責任 AI
透明度報告
透明度文件
常見問題集
Microsoft 負責任 AI 標準
探索 Microsoft 對於如何設計、建置和測試 AI 系統的指引。
取得標準
原則
定義重要事項
我們已找出六個我們認為應該引導 AI 發展及使用的原則。
公平性
AI 系統應該以公平的方式對待所有人。 AI 系統如何以公平的方式配置機會、資源或資訊給使用它的人?
可靠性和安全
AI 系統應該可靠且安全地運作。 該系統如何在不同的使用條件和環境 (包括不符合其原本用途的環境) 下為人們發揮良好的功能?
隱私權和安全性
AI 系統應該很安全且尊重隱私權。 該如何設計系統以支援隱私權和安全性?
包容性
AI 系統應該賦予每個人能力並讓所有人都能參與其中,無論他們的背景如何。如何設計系統以包容各種能力的人?
透明度
AI 系統應該可理解。 如何確保人員正確理解系統的功能?
問責性
人員應對 AI 系統負責。 如何建立監督,讓人類能夠負責並掌控?
公平性
上一張投影片
下一張投影片
部落格
適用於合理決策的機器學習
深入閱讀
工具
GitHub 上的 Fairlearn Python 套件
深入了解
播客
AI Frontiers:測量和減輕傷害
立即收聽
出版
共同設計檢查清單以了解組織在 AI 公平性方面所面臨的挑戰與機會
深入閱讀
返回 [負責任 AI 的實踐 - 公平性] 索引標籤區段
可靠性和安全
上一頁投影片
下一張投影片
影片
Microsoft 開發人員頻道上的 Azure AI 內容安全示範影片和快速教學課程
觀看影片
GitHub
探索 Azure AI 內容安全訓練的範例程式碼和資產
檢視範例
播客
程式設計語言如何悄聲地主宰世界,Dr.Ben Zorn
立即收聽
出版
在強化學習中探索盲點
深入閱讀
播客
AI 與社會交集的生活,Dr.Ece Kamar
立即收聽
返回負責任 AI 執行中 - 可靠性和安全索引標籤區段
隱私權和安全性
上一頁投影片
下一張投影片
交談
私人 AI:加密資料的機器學習
觀看影片
專案
保密 AI
深入了解
部落格
《Cyber Signals》:Microsoft 如何保護 AI 平台抵禦網路威脅
深入了解
返回 [負責任 AI 的實踐 - 隱私權和安全性] 索引標籤區段
包容性
部落格
使用 Azure AI 改善協助工具的六種方法
深入閱讀
返回 [負責任 AI 的實踐 - 包容性] 索引標籤區段
透明度
上一頁投影片
下一張投影片
書籍章節
以人為本的智慧型機器學習議程
深入閱讀
出版
資料集的資料工作表
深入閱讀
出版
Gamut:了解資料科學家如何理解機器學習模型的設計探查
深入閱讀
返回 [負責任 AI 的實踐 - 透明度] 索引標籤區段
問責性
部落格
宣佈 Microsoft 的 AI 客戶承諾
深入閱讀
返回 [負責任 AI 的實踐 - 問責性] 索引標籤區段
Microsoft 如何實作負責任 AI
探索 Microsoft 如何讓整個組織的員工成為負責任 AI 的勇士。
原則
參考資料
工程
上一步
下一步
治理
我們設定規則以制定負責任 AI,並清楚定義相關團隊的角色與責任。
團隊啟用
我們促進在公司內以及與客戶和合作夥伴之間採用負責任 AI 做法的就緒性。
敏感性使用
我們會審查敏感性使用案例,以確保維護我們負責任 AI 原則。
公用原則
我們努力制定新的法律與標準,協助確保 AI 承諾為整個社會實現。
概觀
Aether、Microsoft Research 和我們工程團隊的研究人員將 RAI 計劃保持領先地位。
AI 研究
團隊會進行嚴格的 AI 研究,包括透明度、公平性、人與 AI 共同作業、隱私權、安全性、安全及 AI 對人員與社會的影響。
觀點
我們的研究人員會主動參與更廣泛的討論和辯論,以確保我們負責任 AI 計劃整合了整體的觀點和意見。
建立負責任 AI 工具和系統
資料工程小組定義及操作負責任使用 AI 的工具和系統策略。
資料工程實務
資料工程主管識別並實作將負責任 AI 整合到日常工作的工程做法。
合規性機制
資料工程小組會實作合規性工具,協助監控和強制執行負責任 AI 規則和需求。
回到索引標籤
負責任 AI 透明度報告
探索首屆報告,了解 Microsoft 如何建置負責任 AI 系統、支援客戶,並發展更強大的 AI 社群。
取得報告
深入了解
30 種負責任 AI 工具,具有超過 100 個功能
負責任 AI 社群成員成長了 16.6%
自 2019 年以來,超過 33 個透明度資訊
透明度文件
透明度文件
了解 AI 技術如何運作,以便建立符合您需求的系統。
Azure AI Face
深入閱讀
異常偵測器
深入閱讀
Azure AI 搜尋服務
深入閱讀
語音轉換文字
深入閱讀
空間分析
深入閱讀
自訂命名實體識別
深入閱讀
發音評定
深入閱讀
Turing NLR
深入閱讀
載入更多
常見問題集
全部展開
全部摺疊
01/
什麼是 AI 原則及它們為什麼很重要?
AI 原則是設計來確保負責任開發和部署人工智慧技術的指導方針。這些原則非常重要,因為它們有助於降低風險、促進道德做法,並最大化 AI 對社會的好處。
Microsoft 的
負責任 AI 標準
會整合基本做法,以確保符合新興 AI 法律和法規。
02/
是否有工具可協助我的組織實作負責任 AI 做法?
Microsoft 提供一系列
工具和做法
來協助組織練習負責任 AI。
此外,Microsoft 的
負責任 AI 標準
可協助定義負責任 AI 的產品開發需求。
03/
什麼是透明度資訊以及我該如何使用?
建立透明度資訊可協助客戶更了解 AI 技術的內部工作,並做出更明智的使用決策。它們是負責任 AI 標準的一部分,旨在提供 AI 系統的治理、對應、測量和管理方式的深入解析,以支援負責任 AI 開發。
Microsoft 也提供
負責任 AI 透明度報告
,這提供了 Microsoft 如何使用生成式 AI 組建應用程式、監督這些應用程式的部署、在客戶組建自己的 AI 應用程式時支援客戶,以及促進負責任 AI 社群的深入解析。
探索更多內容
工具和做法
取得工具以支援負責任 AI 做法
探索工具
探索 AI 原則與法規
探索 Microsoft 專家對於 AI 原則的最新觀點
探索原則
探索 Microsoft AI
了解如何安全地整合 AI 以滿足各種業務需求
深入了解
關注 Microsoft
Azure AI Face
深入閱讀
異常偵測器
深入閱讀
Azure AI 搜尋服務
深入閱讀
語音轉換文字
深入閱讀
空間分析
深入閱讀
自訂命名實體識別
深入閱讀
發音評定
深入閱讀
Turing NLR
深入閱讀
文字轉換語音
深入閱讀
自訂視覺
深入閱讀
QnA Maker
深入閱讀
Azure AI 視覺 - OCR
深入閱讀
問題解答
深入閱讀
個人識別資訊 (PII)
深入閱讀
健康情況的文字分析
深入閱讀
語言理解
深入閱讀
個人化程式
深入閱讀
Azure AI 視覺:影像分析
深入閱讀
Azure Video Indexer
深入閱讀
交談語言理解 (CLU)
深入閱讀
自訂文字分類的使用案例
深入閱讀
情感分析
深入閱讀
Azure AI 語言
深入閱讀
摘要
深入閱讀
Onco-Phenotype
深入閱讀
Trial Matcher
深入閱讀
Azure OpenAI 服務
深入閱讀
關鍵片語擷取
深入閱讀
Azure AI 內容安全
深入閱讀
語言偵測
深入閱讀
自訂命名實體識別
深入閱讀
關注 Microsoft