Kdy je datový audit potřeba

Tvůj tým vyvíjí kulinářskou AI aplikaci, která nabízí personalizovaná doporučení – přizpůsobuje recepty a jídelníčky konkrétním dietním potřebám a chuťovým preferencím uživatelů. Aplikace kombinuje preference uživatelů, nutriční údaje a zpětnou vazbu pro co nejpersonalizovanější zážitek. Právě plánuješ datové audity v průběhu životního cyklu projektu.

Toto cvičení je součástí kurzu

Zodpovědná správa dat v AI

Interaktivní praktické cvičení

Proměňte teorii v praxi s jedním z našich interaktivních cvičení

Začít cvičení

Toto cvičení je součástí kurzu

Zodpovědná správa dat v AI

SkillTag.level.intermediateSkillTag.label

4.8+

Začněte kurz zdarma

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.

Exercise 1: Dimenze odpovědné práce s daty Exercise 2: Odpovědný vývoj AI Exercise 3: Dimenze odpovědné práce s daty Exercise 4: Metriky zodpovědné AI Exercise 5: Plánování odpovědného AI projektu Exercise 6: Zodpovědné využití dat Exercise 7: Spravedlnost v AI projektech Exercise 8: Výzvy odpovědné AI Exercise 9: Kompromisy v odpovědné AI Exercise 10: Profesní povinnosti a etické chování

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.

Exercise 1: Přehled regulace dat Exercise 2: Zákony o ochraně dat Exercise 3: Datová regulace v projektu Exercise 4: Soulad s předpisy Exercise 5: Práva vlastníků dat a dodržování předpisů Exercise 6: Smlouvy o využití dat (DUA)Exercise 7: Licencování od třetích stran Exercise 8: Typy licencí Exercise 9: Licenční smlouvy Exercise 10: Výběr licence Exercise 11: Správa dat a plán správy dat (DMP)Exercise 12: Správa dat Exercise 13: Složky DMP

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.

Exercise 1: Zdroje dat Exercise 2: Typy datových zdrojů Exercise 3: Zdroje dat a odpovědné dimenze Exercise 4: Omezení datových zdrojů Exercise 5: Omezení datových zdrojů Exercise 6: Zdroje dat a zaujatost Exercise 7: Výběr zdrojů dat Exercise 8: Hodnocení datových zdrojů Exercise 9: Augmentace dat Exercise 10: Integrace dat Exercise 11: Kroky integrace dat Exercise 12: Rizika a přínosy integrace 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!

Exercise 1: Datový audit Exercise 2: Datový audit v životním cyklu projektu Exercise 3: Kdy je datový audit potřeba

Aktuální cvičení

Exercise 4: Datová validace Exercise 5: Co je validace dat Exercise 6: Přístupy k validaci dat Exercise 7: Osvědčené postupy při validaci dat Exercise 8: Analýza podskupin Exercise 9: Validace dat v projektu Exercise 10: Předběžné zpracování dat a zkreslení Exercise 11: Zmírňování zkreslení Exercise 12: Strategie zmírnění zkreslení Exercise 13: Zmírnění zkreslení v průběhu životního cyklu projektu Exercise 14: Důsledky zmírňování předsudků Exercise 15: Zkreslení po nasazení modelu Exercise 16: Gratulujeme!