Lär dig om den grundläggande teorin bakom ansvarsfull datahantering inom AI. Du går igenom viktiga dimensioner som säkerhet, transparens, rättvisa och mer, innan du undersöker de mätvärden och utmaningar som är kopplade till dessa dimensioner och lär dig hur du balanserar ansvarsfull AI mot andra affärsmässiga och tekniska krav.

Ansvarsfulla datadimensioner

Att utveckla AI på ett ansvarsfullt sätt

Ansvarsfull datas dimensioner

Ansvarsfulla AI-mätvärden

Planera ett ansvarsfullt AI-projekt

Ansvarsfull dataanvändning

Rättvisa i AI-projekt

Utmaningar med ansvarsfull AI

Avvägningar inom ansvarsfull AI

Yrkesmässiga skyldigheter och etiskt uppträdande

Introduktion till ansvarsfull AI-datahantering

Datareglering är avgörande för att ett AI-projekt ska vara lagligt. Lär dig om viktiga regelverk, tredjepartslicenser och strategier för regelefterlevnad vad gäller informerat samtycke och datadelningsavtal (med juridisk rådgivning). Slutligen lär du dig att utveckla robusta datastyrningsstrategier och datahanteringsplaner för att säkerställa att projektet förblir regelefterlevande under hela sin livscykel.

Översikt över datareglering

Dataskyddslagar

Datareglering i ett projekt

Regelefterlevnad

Dataägares rättigheter och regelefterlevnad

Dataanvändningsavtal (DUA:er)

Tredjepartslicensiering

Typer av licenser

Licensavtal

Välja en licens

Datastyrning och datahanteringsplan (DMP)

Datahantering

Komponenter i ett DMP

Regelefterlevnad och licensiering

Navigera genom ett ansvarsfullt urval och en ansvarsfull integration av datakällor genom att förstå vikten av datas ursprung, karaktär och aktualitet, med betoning på regelefterlevnad, mångfald och rättvisa. Genom att utforska olika typer av bias och deras ursprung undersöker du datafairness och representation för att skapa ett heltäckande dataset för modellering.

Datakällor

Typer av datakällor

Datakällor och ansvarsfulla dimensioner

Begränsningar hos datakällor

Begränsningar i datakällor

Datakällor och bias

Val av datakälla

Utvärdering av datakällor

Dataaugmentering

Dataintegrering

Steg i dataintegrering

Risker och fördelar med dataintegration

Datainsamling

Förstå datagranskningar, datavalidering och hantering av bias. Dataförbehandling och att upptäcka bias i modellering kan låta tungt – men med vanliga metoder och beprövade tekniker gör vi det hanterbart!

Datagranskning

Datagranskning i projektets livscykel

Alternativ

Datagranskning krävs

Datagranskning krävs inte

När behövs en datagranskning?

Datavalidering

Definiera datavalidering

Metoder för datavalidering

Bästa praxis för datavalidering

Steg i subgruppsanalysen

Subgruppsanalys

Datavalidering i projektet

Potentiell bias

Utan bias

Förbehandling och bias

Bias-reducering

Strategier för att motverka bias

Förbehandlingsfas

Modelleringsfas

Fas efter driftsättning

Biasminskning genom ML-livscykeln

Konsekvenser av biasminskning

Omkalibrering av modell

Felaktig användning

Bias efter driftsättning

Grattis!

Datavalidering och strategier för hantering av bias

Att hantera data på ett ansvarsfullt sätt är avgörande, särskilt inom artificiell intelligens (AI). Den här konceptuella kursen lär dig grunderna i ansvarsfull datahantering, bland annat datainsamling, viktiga regelverk samt strategier för datavalidering och hantering av bias. Du kan tillämpa dessa kunskaper för att tänka kritiskt kring vilket dataprojekt som helst – och säkerställa att projektet är framgångsrikt, ansvarsfullt och regelefterlevande från start till mål.

Artificiell intelligens (AI) och data finns överallt. Deras växande närvaro i vår vardag gör det ännu viktigare att vi hanterar data ansvarsfullt genom hela våra AI-projekt, oavsett om det gäller arbetet eller våra personliga projekt. Denna konceptuella kurs utforskar den grundläggande teorin bakom ansvarsfull AI-datastyrning, såsom säkerhet och transparens, innan den går vidare till licensiering, anskaffning och validering.
<br><br>
<h2>Lär dig om regelefterlevnad och licensiering</h2> 

Med en förståelse för den grundläggande teorin kommer du att använda denna kunskap för att bedöma dina krav på efterlevnad och licensiering (och vid behov söka juridisk rådgivning). Du kommer att lära dig om några av de viktigaste dataskyddsreglerna, som HIPAA och GDPR, några av de vanligaste licenstyperna och hur du använder en datahanteringsplan för att säkerställa att ditt AI-projekt alltid förblir regelefterlevande.
<br><br>
<h2>Källanvändning och användning av data på ett ansvarsfullt sätt</h2>

Ansvarsfulla datapraktiker handlar också om hur och var du hämtar din data. Du kommer att förstå om en källa är etisk eller inte, vilka begränsningar den kan ha och hur du integrerar data från olika källor.
<br><br>
<h2>Granska dina data</h2>

Slutligen kommer du att lära dig om datarevision och hur du tillämpar datavalidering och åtgärdsstrategier för att säkerställa att dina data förblir fria från bias. Med alla dessa färdigheter kommer du att kunna bedöma data kritiskt och hantera den ansvarsfullt i alla AI-projekt. Dessutom kan du använda dessa färdigheter i alla framtida dataprojekt, vilket gör att du känner dig anpassningsbar och redo för vad som än kommer i din väg!

Supervised Learning with scikit-learn

Lär dig teorin bakom ansvarsfull hantering av data för AI-projekt, från start till slut och vidare.

Ansvarsfull AI-datahantering

Lär dig teorin bakom att ansvarsfullt hantera dina data för alla AI-projekt, från start till slut och vidare.

Associate AI Engineer för data scientists

Ansvarsfull AI-grunder

Snowflake AI-grunder

Definiera datavalidering

Ansvarsfull AI-datahantering

Interaktiv övning med praktiskt arbete