Odpovědný vývoj AI

Při budování AI projektu je klíčové vyvažovat technickou efektivitu s principy odpovědné AI. Technická stránka se zaměřuje na přesnost, efektivitu a optimalizaci, zatímco odpovědná AI dbá na to, aby systémy neprohlubovaly předsudky ani diskriminaci.

Urči, která tvrzení platí pro odpovědný vývoj AI. Vyber tři správné odpovědi.

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

Aktuální cvičení

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 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!