Analyse par sous-groupes

Dans un projet visant à prédire les taux d'approbation de prêts, l'équipe a terminé le prétraitement et décide de réaliser une analyse par sous‑groupes afin d'assurer l'équité entre les groupes selon le genre et le niveau de revenu.

Cette activité fait partie du cours

Gestion responsable des données en AI

Exercice interactif pratique

Passez de la théorie à l’action grâce à l’un de nos exercices interactifs

Commencer l’exercice

Cette activité fait partie du cours

Gestion responsable des données en AI

SkillTag.level.intermediateSkillTag.label

4.8+

Commencer le cours gratuitement

Découvrez la théorie de base derrière la gestion responsable des données en AI. Vous passerez en revue des dimensions clés comme la sécurité, la transparence, l'équité, et plus encore, avant de conceptualiser les mesures et défis associés à ces dimensions et de comprendre comment concilier l'AI responsable avec d'autres exigences d'affaires et techniques.

Exercise 1: Dimensions des données responsables Exercise 2: Développer l'IA de façon responsable Exercise 3: Dimensions de la gestion responsable des données Exercise 4: Mesures pour une IA responsable Exercise 5: Planifier un projet d'IA responsable Exercise 6: Utilisation responsable des données Exercise 7: Équité dans les projets d'IA Exercise 8: Défis de l'IA responsable Exercise 9: Arbitrages en IA responsable Exercise 10: Devoirs professionnels et conduite éthique

La réglementation des données est essentielle à la légalité de tout projet en AI. Apprenez les principaux règlements, les licences de tiers et des stratégies de conformité pour le consentement éclairé et les ententes de partage de données (avec un avis juridique). Enfin, vous verrez comment élaborer des stratégies solides de gouvernance des données et des plans de gestion pour que votre projet demeure conforme tout au long de son cycle de vie.

Exercise 1: Aperçu de la réglementation sur les données Exercise 2: Lois sur la protection des données Exercise 3: Réglementation des données dans un projet Exercise 4: Conformité des données Exercise 5: Droits des propriétaires de données et conformité Exercise 6: Ententes d'utilisation des données (DUA)Exercise 7: Octroi de licences de tiers Exercise 8: Types de licences Exercise 9: Ententes de licence Exercise 10: Choisir une licence Exercise 11: Gouvernance des données et plan de gestion des données (PGD)Exercise 12: Gestion des données Exercise 13: Composantes d'un DMP

Parcourez la sélection et l'intégration responsables des sources de données en comprenant l'importance de l'origine, de la nature et de la temporalité des données, en mettant l'accent sur la conformité juridique, la diversité et l'équité. En explorant les types de biais et leurs sources, vous aborderez l'équité et la représentativité des données afin de créer un ensemble de données complet pour la modélisation.

Exercise 1: Sources de données Exercise 2: Types de sources de données Exercise 3: Source de données et dimensions responsables Exercise 4: Limites des sources de données Exercise 5: Limites des sources de données Exercise 6: Sources de données et biais Exercise 7: Sélection des sources de données Exercise 8: Évaluation des sources de données Exercise 9: Augmentation des données Exercise 10: Intégration des données Exercise 11: Étapes d'intégration des données Exercise 12: Risques et avantages de l'intégration des données

Comprenez les audits de données, la validation des données et l'atténuation des biais. Le prétraitement des données et la détection des biais en modélisation ne semblent pas toujours attrayants, mais simplifions-les grâce à des approches éprouvées et des techniques fiables!

Exercise 1: Audit des données Exercise 2: Vérification des données dans le cycle de vie du projet Exercise 3: Besoin d'un audit de données Exercise 4: Validation des données Exercise 5: Définir la validation des données Exercise 6: Approches de validation des données Exercise 7: Pratiques exemplaires de validation des données Exercise 8: Analyse par sous-groupes

Exercice en cours

Exercise 9: Validation des données dans le projet Exercise 10: Prétraitement et biais Exercise 11: Atténuation des biais Exercise 12: Stratégies d'atténuation Exercise 13: Atténuation des biais tout au long du cycle de vie du projet Exercise 14: Conséquences de l'atténuation des biais Exercise 15: Biais après le déploiement Exercise 16: Félicitations !