AI projelerinde adillik

Bir üniversite öğrenci kabul sistemi geliştiren bir ekibin parçasısın. Bu sistem, başvuranları çeşitli faktörlere göre adil bir şekilde değerlendirmeyi amaçlıyor. Ekip, projede adilliği değerlendirmek için ayrışık etki, eşit fırsat ve demografik denge dahil üç farklı yaklaşımı düşünüyor.

Bu egzersiz, kursun bir parçasıdır

Sorumlu AI Veri Yönetimi

Kursa Göz Atın

Uygulamalı etkileşimli egzersiz

Teoriyi etkileşime dönüştürün, interaktif egzersizlerimizden biriyle

Egzersize başla

Bu egzersiz, kursun bir parçasıdır

Sorumlu AI Veri Yönetimi

IntermediárioNível de habilidade

4.8+

Kursa Ücretsiz Başla

AI’de sorumlu veri yönetiminin temel kuramını öğren. Güvenlik, şeffaflık, adillik ve daha fazlası gibi kilit boyutları gözden geçirecek; ardından bu boyutlarla ilgili metrikleri ve zorlukları kavramsallaştırarak sorumlu AI ile diğer iş ve teknik gereksinimler arasındaki dengeyi nasıl kuracağını anlayacaksın.

Exercise 1: Sorumlu veri boyutları Exercise 2: Yapay zekâyı sorumlu geliştirme Exercise 3: Sorumlu verinin boyutları Exercise 4: Sorumlu AI ölçütleri Exercise 5: Sorumlu bir AI projesi planlama Exercise 6: Sorumlu veri kullanımı Exercise 7: AI projelerinde adillik

Geçerli egzersiz

Exercise 8: Sorumlu AI’nın zorlukları Exercise 9: Sorumlu AI’da ödünleşimler Exercise 10: Mesleki görevler ve etik davranış

Veri mevzuatı, herhangi bir AI projesinin yasal olması için esastır. Temel düzenlemeleri, üçüncü taraf lisanslarını ve bilgilendirilmiş onam ile veri paylaşım anlaşmalarına (hukuk danışmanlığı ile) yönelik uyum stratejilerini öğren. Son olarak, projenin yaşam döngüsü boyunca uyumlu kalmasını sağlamak için sağlam veri yönetişimi stratejileri ve yönetim planları geliştirmeyi öğreneceksin.

Exercise 1: Veri düzenlemelerine genel bakış Exercise 2: Veri koruma yasaları Exercise 3: Bir projede veri düzenlemeleri Exercise 4: Veri uyumluluğu Exercise 5: Veri sahibi hakları ve uyumluluk Exercise 6: Veri kullanım anlaşmaları (DUA'lar)Exercise 7: Üçüncü taraf lisanslama Exercise 8: Lisans türleri Exercise 9: Lisans anlaşmaları Exercise 10: Bir lisans seçme Exercise 11: Veri yönetişimi ve veri yönetim planı (DMP)Exercise 12: Veri yönetimi Exercise 13: Bir DMP'nin Bileşenleri

Veri kaynağının kökeni, niteliği ve zamansallığının önemini anlayarak, yasal uyum, çeşitlilik ve adillik vurgusuyla verileri sorumlu biçimde seçip entegre etmeyi öğren. Önyargı türlerini ve kaynaklarını keşfederek, modelleme için kapsamlı bir veri kümesi oluşturmak üzere veri adilliği ve temsiline bakacaksın.

Exercise 1: Veri kaynakları Exercise 2: Veri kaynağı türleri Exercise 3: Veri kaynağı ve sorumlu boyutlar Exercise 4: Veri kaynağı sınırlamaları Exercise 5: Veri kaynaklarındaki kısıtlar Exercise 6: Veri kaynakları ve önyargı Exercise 7: Veri kaynağı seçimi Exercise 8: Veri kaynaklarının değerlendirilmesi Exercise 9: Veri zenginleştirme Exercise 10: Veri entegrasyonu Exercise 11: Veri entegrasyonu adımları Exercise 12: Veri entegrasyonunun riskleri ve faydaları

Veri denetimleri, veri doğrulama ve önyargı azaltmayı anla. Veri ön işleme ve modellemede önyargıyı yakalamak pek eğlenceli gelmeyebilir; ama gel bunları yaygın yaklaşımlar ve güvenilir tekniklerle pratikleştirelim!

Exercise 1: Veri denetimi Exercise 2: Proje yaşam döngüsünde veri denetimi Exercise 3: Veri denetimi gereksinimi Exercise 4: Veri doğrulama Exercise 5: Veri doğrulamayı tanımlama Exercise 6: Veri doğrulama yaklaşımları Exercise 7: Veri doğrulamada en iyi uygulamalar Exercise 8: Alt grup analizi Exercise 9: Projede veri doğrulama Exercise 10: Ön işleme ve önyargı Exercise 11: Önyargı azaltma Exercise 12: Azaltma stratejileri Exercise 13: Proje yaşam döngüsü boyunca önyargı azaltma Exercise 14: Önyargı azaltmanın sonuçları Exercise 15: Yayın sonrası önyargı Exercise 16: Tebrikler!