Learn about the fundamental theory behind responsible data management in AI. You’ll review key dimensions such as security, transparency, fairness, and more before conceptualizing the metrics and challenges associated with these dimensions and understanding how to balance responsible AI with other business and technical requirements.

Responsible data dimensions

Developing AI responsibly

Dimensions of responsible data

Responsible AI metrics

Planning a responsible AI project

Responsible data use

Fairness in AI projects

Challenges of responsible AI

Trade-offs in responsible AI

Professional duties and ethical conduct

Introduction to Responsible AI Data Management

Data regulation is essential to the legality of any AI project. Learn about key regulations, third-party licenses, and compliance strategies for informed consent and data-sharing agreements (with legal counsel). Finally, you'll learn about developing robust data governance strategies and management plans to ensure your project remains compliant throughout its lifecycle.

Overview of data regulation

Data protection laws

Data regulation in a project

Data compliance

Data owner rights and compliance

Data use agreements (DUAs)

Third-party licensing

Types of licenses

Licensing agreements

Selecting a license

Data governance and data management plan (DMP)

Data management

Components of a DMP

Regulation Compliance and Licensing

Navigate through the responsible selection and integration of data sources by understanding the importance of data origin, nature, and temporality, emphasizing legal compliance, diversity, and fairness. By exploring types of bias and their origins, you’ll look at data fairness and representation to create a comprehensive dataset for modeling.

Data sources

Data source types

Data source and responsible dimensions

Data source limitations

Limitations in data sources

Data sources and bias

Data source selection

Evaluation of data sources

Data augmentation

Data integration

Data integration steps

Risks and benefits of data integration

Data Acquisition

Understand data audits, data validation, and bias mitigation. Data pre-processing and catching bias in modeling do not sound like fun, but let's streamline them with common approaches and trusted techniques!

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!

Data Validation and Bias Mitigation Strategies

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

Bagi himpunan data menjadi subkelompok berdasarkan gender dan pendapatan

Evaluasi distribusi statistik untuk setiap subkelompok

Nilai kinerja model secara terpisah untuk setiap subkelompok

Hitung metrik keadilan untuk setiap kelompok

Evaluasi kesenjangan yang teridentifikasi dan terapkan strategi mitigasi

Analisis subkelompok

Manajemen Data AI yang Bertanggung Jawab

Latihan interaktif praktis