Pelajari teori dasar di balik manajemen data yang bertanggung jawab dalam AI. Anda akan meninjau dimensi kunci seperti keamanan, transparansi, keadilan, dan lainnya sebelum mengonseptualisasikan metrik serta tantangan yang terkait dengan dimensi tersebut, serta memahami cara menyeimbangkan AI yang bertanggung jawab dengan kebutuhan bisnis dan teknis lainnya.

Dimensi data yang bertanggung jawab

Mengembangkan AI secara bertanggung jawab

Metrik AI yang Bertanggung Jawab

Merencanakan proyek AI yang bertanggung jawab

Penggunaan data yang bertanggung jawab

Keadilan dalam proyek AI

Tantangan AI yang Bertanggung Jawab

Pertukaran (trade-off) dalam AI yang bertanggung jawab

Tugas profesional dan perilaku etis

Pengantar Manajemen Data AI yang Bertanggung Jawab

Regulasi data sangat penting bagi legalitas setiap proyek AI. Pelajari regulasi kunci, lisensi pihak ketiga, serta strategi kepatuhan untuk persetujuan yang diinformasikan dan perjanjian berbagi data (dengan penasihat hukum). Terakhir, Anda akan mempelajari pengembangan strategi tata kelola data yang kuat dan rencana pengelolaan untuk memastikan proyek Anda tetap patuh sepanjang siklus hidupnya.

Tinjauan umum regulasi data

Undang-undang perlindungan data

Regulasi data dalam sebuah proyek

Kepatuhan data

Hak pemilik data dan kepatuhan

Perjanjian penggunaan data (DUA)

Lisensi pihak ketiga

Jenis lisensi

Perjanjian lisensi

Memilih lisensi

Tata kelola data dan rencana pengelolaan data (DMP)

Manajemen data

Komponen DMP

Kepatuhan Regulasi dan Perizinan

Jelajahi pemilihan dan integrasi sumber data yang bertanggung jawab dengan memahami pentingnya asal, sifat, dan temporalitas data, serta menekankan kepatuhan hukum, keragaman, dan keadilan. Dengan menelaah jenis-jenis bias dan asal-usulnya, Anda akan meninjau keadilan dan representasi data untuk membangun himpunan data yang komprehensif bagi pemodelan.

Sumber data

Jenis sumber data

Sumber data dan dimensi tanggung jawab

Keterbatasan sumber data

Keterbatasan dalam sumber data

Sumber data dan bias

Pemilihan sumber data

Evaluasi sumber data

Augmentasi data

Integrasi data

Langkah-langkah integrasi data

Risiko dan manfaat integrasi data

Akuisisi Data

Pahami audit data, validasi data, dan mitigasi bias. Prapemrosesan data dan mendeteksi bias dalam pemodelan mungkin terdengar tidak menarik, tetapi mari kita sederhanakan dengan pendekatan umum dan teknik tepercaya!

Audit data

Audit data dalam siklus hidup proyek

Opsi

Perlu audit data

Tidak perlu audit data

Kebutuhan akan audit data

Validasi data

Mendefinisikan validasi data

Pendekatan validasi data

Praktik terbaik validasi data

Langkah-langkah analisis subkelompok

Analisis subkelompok

Validasi data dalam proyek

Potensi bias

Bebas bias

Pra-pemrosesan dan bias

Mitigasi bias

Strategi mitigasi

Tahap pra-pemrosesan

Tahap pemodelan

Tahap pascadeploy

Mitigasi bias sepanjang siklus hidup proyek

Konsekuensi mitigasi bias

Kalibrasi ulang model

Penggunaan yang tidak semestinya

Bias pascadeploy

Selamat!

Validasi Data dan Strategi Mitigasi Bias

Menangani data secara bertanggung jawab sangat penting, khususnya dalam Artificial Intelligence (AI). Kursus konseptual ini akan mengajarkan dasar-dasar praktik data yang bertanggung jawab, termasuk akuisisi data, regulasi kunci, serta strategi validasi data dan mitigasi bias. Anda dapat menerapkan keterampilan ini untuk berpikir kritis pada proyek data apa pun, memastikan proyek Anda berhasil, bertanggung jawab, dan patuh dari awal hingga akhir.

Kecerdasan Buatan (AI) dan data ada di mana-mana. Peningkatan kehadiran mereka dalam kehidupan sehari-hari kita membuatnya semakin penting untuk memastikan kita mengelola data secara bertanggung jawab sepanjang proyek AI kita, baik di tempat kerja maupun dalam proyek pribadi kita. Kursus konseptual ini akan membahas teori dasar di balik pengelolaan data AI yang bertanggung jawab, seperti keamanan dan transparansi, sebelum membahas lisensi, akuisisi, dan validasi.
<br><br>
<h2>Pelajari Tentang Kepatuhan Regulasi dan Perizinan</h2> 

Dengan pemahaman tentang teori dasar, Anda akan menggunakan pengetahuan ini untuk mengevaluasi persyaratan kepatuhan dan perizinan Anda (dan berkonsultasi dengan penasihat hukum jika diperlukan). Anda akan mempelajari beberapa peraturan data paling penting seperti HIPAA dan GDPR, beberapa jenis lisensi yang paling umum, serta cara menggunakan rencana pengelolaan data untuk memastikan proyek AI Anda selalu mematuhi peraturan.
<br><br>
<h2>Gunakan dan Kelola Data dengan Bertanggung Jawab</h2>

Praktik pengelolaan data yang bertanggung jawab juga mencakup cara dan tempat Anda memperoleh data. Anda akan memahami apakah suatu sumber bersifat etis atau tidak, batasan-batasan yang mungkin dimilikinya, dan cara mengintegrasikan data dari berbagai sumber.
<br><br>
<h2>Audit Data Anda</h2>

Akhirnya, Anda akan mempelajari tentang audit data dan cara menerapkan strategi validasi dan mitigasi data untuk memastikan data Anda tetap bebas dari bias. Dengan semua keterampilan ini, Anda akan mampu mengevaluasi secara kritis dan mengelola data dengan bertanggung jawab dalam proyek AI apa pun. Selain itu, Anda dapat menggunakan keterampilan ini untuk proyek data apa pun di masa depan, sehingga Anda merasa fleksibel dan siap menghadapi apa pun yang datang!

Supervised Learning with scikit-learn

Pelajari teori pengelolaan data yang bertanggung jawab untuk proyek AI dari awal hingga akhir.

Manajemen Data AI yang Bertanggung Jawab

Pelajari teori di balik pengelolaan data secara bertanggung jawab untuk proyek AI apa pun, mulai dari awal hingga akhir dan seterusnya.

Insinyur AI Asisten untuk Ilmuwan Data

Landasan Kecerdasan Buatan yang Bertanggung Jawab

Dasar-Dasar Snowflake AI

Strategi mitigasi

Manajemen Data AI yang Bertanggung Jawab

Latihan interaktif langsung