Keadilan dalam proyek AI

Anda adalah bagian dari tim yang mengembangkan sistem penerimaan mahasiswa berbasis AI untuk universitas. Sistem ini bertujuan untuk mengevaluasi pelamar secara adil berdasarkan berbagai faktor. Tim mempertimbangkan tiga pendekatan berbeda untuk menilai keadilan dalam proyek, termasuk disparate impact, equal opportunity, dan demographic parity.

Latihan ini merupakan bagian dari kursus

Manajemen Data AI yang Bertanggung Jawab

Latihan interaktif langsung

Ubah teori menjadi aksi dengan salah satu latihan interaktif kami

Latihan ini merupakan bagian dari kursus

Manajemen Data AI yang Bertanggung Jawab

SkillTag.level.intermediateSkillTag.label

4.8+

Mulai Kursus Gratis

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.

Exercise 1: Dimensi data yang bertanggung jawab Exercise 2: Mengembangkan AI secara bertanggung jawab Exercise 3: Dimensi data yang bertanggung jawab Exercise 4: Metrik AI yang Bertanggung Jawab Exercise 5: Merencanakan proyek AI yang bertanggung jawab Exercise 6: Penggunaan data yang bertanggung jawab Exercise 7: Keadilan dalam proyek AI

Latihan Saat Ini

Exercise 8: Tantangan AI yang Bertanggung Jawab Exercise 9: Pertukaran (trade-off) dalam AI yang bertanggung jawab Exercise 10: Tugas profesional dan perilaku etis

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.

Exercise 1: Tinjauan umum regulasi data Exercise 2: Undang-undang perlindungan data Exercise 3: Regulasi data dalam sebuah proyek Exercise 4: Kepatuhan data Exercise 5: Hak pemilik data dan kepatuhan Exercise 6: Perjanjian penggunaan data (DUA)Exercise 7: Lisensi pihak ketiga Exercise 8: Jenis lisensi Exercise 9: Perjanjian lisensi Exercise 10: Memilih lisensi Exercise 11: Tata kelola data dan rencana pengelolaan data (DMP)Exercise 12: Manajemen data Exercise 13: Komponen DMP

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.

Exercise 1: Sumber data Exercise 2: Jenis sumber data Exercise 3: Sumber data dan dimensi tanggung jawab Exercise 4: Keterbatasan sumber data Exercise 5: Keterbatasan dalam sumber data Exercise 6: Sumber data dan bias Exercise 7: Pemilihan sumber data Exercise 8: Evaluasi sumber data Exercise 9: Augmentasi data Exercise 10: Integrasi data Exercise 11: Langkah-langkah integrasi data Exercise 12: Risiko dan manfaat integrasi 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!

Exercise 1: Audit data Exercise 2: Audit data dalam siklus hidup proyek Exercise 3: Kebutuhan akan audit data Exercise 4: Validasi data Exercise 5: Mendefinisikan validasi data Exercise 6: Pendekatan validasi data Exercise 7: Praktik terbaik validasi data Exercise 8: Analisis subkelompok Exercise 9: Validasi data dalam proyek Exercise 10: Pra-pemrosesan dan bias Exercise 11: Mitigasi bias Exercise 12: Strategi mitigasi Exercise 13: Mitigasi bias sepanjang siklus hidup proyek Exercise 14: Konsekuensi mitigasi bias Exercise 15: Bias pascadeploy Exercise 16: Selamat!