Corectitudine în proiectele AI

Faci parte dintr-o echipă care dezvoltă un sistem AI de admitere a studenților în universități. Acest sistem își propune să evalueze candidații în mod echitabil, pe baza mai multor factori. Echipa analizează trei abordări diferite pentru evaluarea corectitudinii în proiect: impactul disproporționat, egalitatea de șanse și paritatea demografică.

Acest exercițiu face parte din cursul

Gestionarea responsabilă a datelor în AI

Exercițiu interactiv practic

Transformă teoria în practică cu unul dintre exercițiile noastre interactive

Începe exercițiul

Acest exercițiu face parte din cursul

Gestionarea responsabilă a datelor în AI

SkillTag.level.intermediateSkillTag.label

4.8+

Începe cursul gratuit

Descoperă teoria fundamentală din spatele gestionării responsabile a datelor în AI. Vei explora dimensiuni esențiale precum securitatea, transparența, echitatea și altele, vei înțelege metricile și provocările asociate acestora și vei afla cum să echilibrezi principiile AI responsabil cu cerințele de afaceri și cele tehnice.

Exercise 1: Dimensiunile datelor responsabile Exercise 2: Dezvoltarea responsabilă a AI Exercise 3: Dimensiunile datelor responsabile Exercise 4: Metrici pentru IA responsabilă Exercise 5: Planificarea unui proiect AI responsabil Exercise 6: Utilizarea responsabilă a datelor Exercise 7: Corectitudine în proiectele AI

Exercițiul curent

Exercise 8: Provocările AI-ului responsabil Exercise 9: Compromisuri în AI responsabil Exercise 10: Obligații profesionale și conduită etică

Reglementarea datelor este esențială pentru legalitatea oricărui proiect AI. Vei afla despre reglementările-cheie, licențele terților și strategiile de conformitate privind consimțământul informat și acordurile de partajare a datelor (cu asistență juridică). În final, vei învăța cum să dezvolți strategii solide de guvernanță a datelor și planuri de management, pentru ca proiectul tău să rămână conform pe tot parcursul ciclului său de viață.

Exercise 1: Prezentare generală a reglementărilor privind datele Exercise 2: Legi de protecție a datelor Exercise 3: Reglementarea datelor într-un proiect Exercise 4: Conformitatea datelor Exercise 5: Drepturile proprietarilor de date și conformitatea Exercise 6: Acordurile de utilizare a datelor (DUA)Exercise 7: Licențierea terților Exercise 8: Tipuri de licențe Exercise 9: Acorduri de licențiere Exercise 10: Alegerea unei licențe Exercise 11: Guvernanța datelor și planul de management al datelor (DMP)Exercise 12: Managementul datelor Exercise 13: Componentele unui PGD

Explorează selecția și integrarea responsabilă a surselor de date, înțelegând importanța originii, naturii și temporalității datelor, cu accent pe conformitatea legală, diversitate și echitate. Analizând tipurile de părtinire și originea acestora, vei examina echitatea și reprezentarea datelor pentru a construi un set de date complet, potrivit pentru modelare.

Exercise 1: Surse de date Exercise 2: Tipuri de surse de date Exercise 3: Sursa de date și dimensiunile responsabile Exercise 4: Limitările surselor de date Exercise 5: Limitări ale surselor de date Exercise 6: Surse de date și părtinire Exercise 7: Selectarea surselor de date Exercise 8: Evaluarea surselor de date Exercise 9: Augmentarea datelor Exercise 10: Integrarea datelor Exercise 11: Pașii integrării datelor Exercise 12: Riscuri și beneficii ale integrării datelor

Înțelege auditurile de date, validarea datelor și reducerea părtinirii. Pre-procesarea datelor și detectarea părtinirii în modelare nu sună prea atrăgător, dar le vom simplifica folosind abordări comune și tehnici consacrate!

Exercise 1: Audit de date Exercise 2: Auditul de date în ciclul de viață al proiectului Exercise 3: Necesitatea unui audit de date Exercise 4: Validarea datelor Exercise 5: Definirea validării datelor Exercise 6: Abordări ale validării datelor Exercise 7: Cele mai bune practici de validare a datelor Exercise 8: Analiza pe subgrupuri Exercise 9: Validarea datelor în cadrul proiectului Exercise 10: Pre-procesarea și bias-ul Exercise 11: Atenuarea prejudecăților Exercise 12: Strategii de atenuare Exercise 13: Atenuarea bias-ului pe parcursul ciclului de viață al proiectului Exercise 14: Consecințele atenuării prejudecăților Exercise 15: Bias post-implementare Exercise 16: Felicitări!