Seznámíš se se základní teorií zodpovědné správy dat v AI. Projdeme klíčové dimenze, jako jsou bezpečnost, transparentnost, spravedlnost a další, a pak se zaměříme na metriky a výzvy, které s těmito dimenzemi souvisejí. Naučíš se také, jak vyvažovat zodpovědné AI s ostatními obchodními a technickými požadavky.

Dimenze odpovědné práce s daty

Odpovědný vývoj AI

Metriky zodpovědné AI

Plánování odpovědného AI projektu

Zodpovědné využití dat

Spravedlnost v AI projektech

Výzvy odpovědné AI

Kompromisy v odpovědné AI

Profesní povinnosti a etické chování

Úvod do zodpovědné správy dat v AI

Datové regulace jsou základem legálnosti každého AI projektu. Dozvíš se o klíčových předpisech, licencích třetích stran a strategiích pro dosažení souladu s předpisy – včetně informovaného souhlasu a dohod o sdílení dat (ve spolupráci s právním poradcem). Na závěr se naučíš, jak vytvořit robustní strategie správy dat a plány řízení, aby tvůj projekt zůstal v souladu s předpisy po celou dobu své životnosti.

Přehled regulace dat

Zákony o ochraně dat

Datová regulace v projektu

Soulad s předpisy

Práva vlastníků dat a dodržování předpisů

Smlouvy o využití dat (DUA)

Licencování od třetích stran

Typy licencí

Licenční smlouvy

Výběr licence

Správa dat a plán správy dat (DMP)

Správa dat

Složky DMP

Soulad s regulacemi a licencování

Naučíš se zodpovědně vybírat a integrovat zdroje dat. Pochopíš, proč záleží na původu dat, jejich povaze i časové relevanci, a přitom budeš klást důraz na soulad s předpisy, rozmanitost a spravedlnost. Prozkoumáním různých typů předsudků a jejich zdrojů získáš přehled o spravedlnosti a reprezentativnosti dat – to vše pro přípravu komplexního datasetu pro modelování.

Zdroje dat

Možnosti

Primární kvantitativní statická data

Primární kvalitativní dynamická data

Sekundární kvantitativní dynamická data

Typy datových zdrojů

Zdroje dat a odpovědné dimenze

Omezení datových zdrojů

Historická zaujatost

Selekční zaujatost

Vzorkovací zaujatost

Zdroje dat a zaujatost

Výběr zdrojů dat

Kroky hodnocení datových zdrojů

Hodnocení datových zdrojů

Augmentace dat

Integrace dat

Kroky integrace dat

Rizika a přínosy integrace dat

Získávání dat

Porozumíš datovým auditům, validaci dat a zmírňování předsudků. Předzpracování dat a odhalování předsudků v modelování znějí možná nudně – ale s pomocí osvědčených přístupů a technik to zvládneme hravě!

Datový audit

Datový audit v životním cyklu projektu

Kdy je datový audit potřeba

Datová validace

Co je validace dat

Přístupy k validaci dat

Osvědčené postupy při validaci dat

Analýza podskupin

Validace dat v projektu

Předběžné zpracování dat a zkreslení

Zmírňování zkreslení

Strategie zmírnění zkreslení

Zmírnění zkreslení v průběhu životního cyklu projektu

Důsledky zmírňování předsudků

Zkreslení po nasazení modelu

Gratulujeme!

Validace dat a strategie zmírňování předsudků

Zodpovědná práce s daty je klíčová, zejména v oblasti umělé inteligence. Tento koncepční kurz tě naučí základy zodpovědných datových postupů – od získávání dat přes klíčové regulace až po validaci dat a strategie zmírňování předsudků. Tyto dovednosti pak můžeš uplatnit při kritickém přístupu k libovolnému datovému projektu a zajistit, že bude úspěšný, zodpovědný a v souladu s předpisy od začátku až do konce.

Umělá inteligence (AI) a data jsou všude. Jejich rostoucí přítomnost v našem každodenním životě ještě více zdůrazňuje, jak důležité je zodpovědně spravovat data v průběhu všech našich projektů s umělou inteligencí, ať už v práci, nebo v osobních projektech. Tento koncepční kurz prozkoumá základní teorii odpovědné správy dat pro AI, jako je zabezpečení a transparentnost, a poté se zaměří na licencování, získávání a validaci.
<br><br>
<h2>Seznamte se s regulačním souladem a licencováním</h2> 

S pochopením základní teorie využiješ tyto znalosti k posouzení svých požadavků na soulad a licencování (v případě potřeby s vyhledáním právního poradenství). Dozvíte se o některých z nejdůležitějších datových předpisů, jako jsou HIPAA a GDPR, o některých z nejběžnějších typů licencí a o tom, jak používat plán správy dat, aby váš projekt AI vždy zůstal v souladu s předpisy.
<br><br>
<h2>Pracujte se zdroji dat a používejte je zodpovědně</h2>

Zodpovědné nakládání s daty zahrnuje také to, jak a odkud svá data získáváš. Pochopíte, zda je zdroj etický či nikoli, jaká může mít omezení a jak integrovat data z různých zdrojů.
<br><br>
<h2>Auditujte svá data</h2>

Nakonec se naučíte o auditu dat a o tom, jak používat validaci dat a strategie zmírňování, aby vaše data zůstala bez zkreslení. Se všemi těmito dovednostmi budete schopni kriticky posoudit a zodpovědně spravovat data v jakémkoli projektu AI. A co víc, tyto dovednosti můžeš využít pro jakýkoli budoucí datový projekt, díky čemuž se budeš cítit přizpůsobivě a připraveně na cokoli, co tě čeká!

Supervised Learning with scikit-learn

Naučte se teorii zodpovědného řízení dat pro AI projekty od začátku do konce.

Zodpovědná správa dat v AI

Naučte se teorii zodpovědné správy dat pro jakýkoli AI projekt od začátku do konce i dál.

Zdroje dat

Create Your Free Account