Estratégias de mitigação

Quais dessas afirmações são técnicas de mitigação? Escolha as três opções que se aplicam.

Este exercício faz parte do curso

Gerenciamento responsável de dados de IA

Ver curso

Exercício interativo prático

Transforme a teoria em ação com um de nossos exercícios interativos

Começar o exercício

Este exercício faz parte do curso

Gerenciamento responsável de dados de IA

IntermediárioNível de habilidade

4.7+

457 reviews

Iniciar curso de graça

Conheça a teoria básica por trás do gerenciamento responsável de dados em IA. Você vai dar uma olhada em coisas importantes como segurança, transparência, justiça e muito mais antes de pensar nas métricas e nos desafios relacionados a essas dimensões e entender como equilibrar a IA responsável com outras necessidades comerciais e técnicas.

Exercise 1: Dimensões responsáveis dos dados Exercise 2: Desenvolvendo IA de forma responsável Exercise 3: Dimensões dos dados responsáveis Exercise 4: Métricas de IA responsável Exercise 5: Planejando um projeto de IA responsável Exercise 6: Uso responsável dos dados Exercise 7: Justiça nos projetos de IA Exercise 8: Desafios da IA responsável Exercise 9: Compromissos na IA responsável Exercise 10: O que a gente faz e como a gente faz

A regulamentação dos dados é essencial para a legalidade de qualquer projeto de IA. Fique por dentro das principais regulamentações, licenças de terceiros e estratégias de conformidade para consentimento informado e acordos de compartilhamento de dados (com um advogado). Por fim, você vai aprender a criar estratégias de governança de dados e planos de gerenciamento bem legais para garantir que seu projeto continue em conformidade durante todo o seu ciclo de vida.

Exercise 1: Visão geral da regulamentação de dados Exercise 2: Leis de proteção de dados Exercise 3: Regulamentação de dados em um projeto Exercise 4: Conformidade dos dados Exercise 5: Direitos do dono dos dados e conformidade Exercise 6: Acordos de uso de dados (DUAs)Exercise 7: Licenciamento por terceiros Exercise 8: Tipos de licenças Exercise 9: Contratos de licença Exercise 10: Escolhendo uma licença Exercise 11: Governança de dados e plano de gerenciamento de dados (DMP)Exercise 12: Gerenciamento de dados Exercise 13: Componentes de um DMP

Navegue pela seleção e integração responsáveis de fontes de dados, entendendo a importância da origem, natureza e temporalidade dos dados, com foco na conformidade legal, diversidade e justiça. Ao explorar os tipos de preconceito e suas origens, você analisará a imparcialidade e a representatividade dos dados para criar um conjunto de dados abrangente para modelagem.

Exercise 1: Fontes de dados Exercise 2: Tipos de fontes de dados Exercise 3: Fonte dos dados e dimensões responsáveis Exercise 4: Limitações da fonte dos dados Exercise 5: Limitações nas fontes de dados Exercise 6: Fontes de dados e viés Exercise 7: Escolha da fonte dos dados Exercise 8: A gente dá uma olhada em como os dados foram coletados e se eles são Exercise 9: Aumento de dados Exercise 10: Integração de dados Exercise 11: Etapas da integração de dados Exercise 12: Riscos e vantagens da integração de dados

Entenda o que é auditoria de dados, validação de dados e como diminuir o viés. Pré-processamento de dados e detecção de vieses na modelagem não parecem muito divertidos, mas vamos simplificá-los com abordagens comuns e técnicas confiáveis!

Exercise 1: Auditoria de dados Exercise 2: Auditoria de dados no ciclo de vida do projeto Exercise 3: Precisa de uma auditoria de dados?Exercise 4: Validação dos dados Exercise 5: Definindo a validação de dados Exercise 6: Abordagens de validação de dados Exercise 7: Melhores práticas de validação de dados Exercise 8: Análise de subgrupos Exercise 9: Validação dos dados no projeto Exercise 10: Pré-processamento e viés Exercise 11: Redução do viés Exercise 12: Estratégias de mitigação

Exercício atual

Exercise 13: Reduzir o viés durante todo o ciclo de vida do projeto Exercise 14: Consequências da redução do viés Exercise 15: Viés pós-implantação Exercise 16: Parabéns!