Các loại giấy phép

Mô hình pretrained RoBERTa-Large trên nền tảng Hugging Face được sử dụng rộng rãi trong cộng đồng AI. Giấy phép của mô hình nêu rõ phạm vi sử dụng được phép, bảo đảm tuân thủ và sử dụng có đạo đức:

License: mit

Bài tập này là một phần của khóa học

Quản lý Dữ liệu AI Có Trách Nhiệm

Xem khóa học

Bài tập tương tác thực hành

Biến lý thuyết thành hành động với một trong các bài tập tương tác của chúng tôi

Bắt đầu bài tập

Bài tập này là một phần của khóa học

Quản lý Dữ liệu AI Có Trách Nhiệm

SkillTag.level.intermediateSkillTag.label

4.8+

Bắt đầu khóa học miễn phí

Tìm hiểu lý thuyết nền tảng đằng sau quản lý dữ liệu có trách nhiệm trong AI. Bạn sẽ xem lại các khía cạnh chính như bảo mật, minh bạch, công bằng và hơn thế nữa, trước khi hình dung các chỉ số và thách thức gắn với những khía cạnh này, cũng như cách cân bằng AI có trách nhiệm với các yêu cầu kinh doanh và kỹ thuật khác.

Exercise 1: Các khía cạnh của dữ liệu có trách nhiệm Exercise 2: Phát triển AI một cách có trách nhiệm Exercise 3: Các chiều cạnh của dữ liệu có trách nhiệm Exercise 4: Chỉ số về AI có trách nhiệm Exercise 5: Lập kế hoạch cho một dự án AI có trách nhiệm Exercise 6: Sử dụng dữ liệu có trách nhiệm Exercise 7: Tính công bằng trong các dự án AI Exercise 8: Thách thức của AI có trách nhiệm Exercise 9: Đánh đổi trong AI có trách nhiệm Exercise 10: Nghĩa vụ nghề nghiệp và ứng xử đạo đức

Quy định về dữ liệu là yếu tố cốt lõi để một dự án AI hợp pháp. Tìm hiểu về các quy định chủ chốt, giấy phép bên thứ ba và chiến lược tuân thủ cho việc xin đồng ý thông tin và thỏa thuận chia sẻ dữ liệu (phối hợp với cố vấn pháp lý). Cuối cùng, bạn sẽ học cách xây dựng chiến lược quản trị dữ liệu và kế hoạch quản lý vững chắc để đảm bảo dự án luôn tuân thủ trong suốt vòng đời.

Exercise 1: Tổng quan về quy định dữ liệu Exercise 2: Luật bảo vệ dữ liệu Exercise 3: Quy định dữ liệu trong một dự án Exercise 4: Tuân thủ dữ liệu Exercise 5: Quyền của chủ sở hữu dữ liệu và tuân thủ Exercise 6: Thỏa thuận sử dụng dữ liệu (DUA)Exercise 7: Cấp phép bên thứ ba Exercise 8: Các loại giấy phép

Bài tập hiện tại

Exercise 9: Thỏa thuận cấp phép Exercise 10: Chọn giấy phép Exercise 11: Quản trị dữ liệu và kế hoạch quản lý dữ liệu (DMP)Exercise 12: Quản lý dữ liệu Exercise 13: Các thành phần của DMP

Điều hướng việc lựa chọn và tích hợp nguồn dữ liệu một cách có trách nhiệm bằng cách hiểu tầm quan trọng của nguồn gốc, bản chất và tính thời điểm của dữ liệu, nhấn mạnh tuân thủ pháp lý, đa dạng và công bằng. Bằng cách khám phá các loại thiên lệch và nguồn gốc của chúng, bạn sẽ xem xét công bằng và đại diện dữ liệu để xây dựng bộ dữ liệu toàn diện cho việc mô hình hóa.

Exercise 1: Nguồn dữ liệu Exercise 2: Các loại nguồn dữ liệu Exercise 3: Nguồn dữ liệu và các khía cạnh trách nhiệm Exercise 4: Giới hạn của nguồn dữ liệu Exercise 5: Hạn chế trong nguồn dữ liệu Exercise 6: Nguồn dữ liệu và thiên lệch Exercise 7: Lựa chọn nguồn dữ liệu Exercise 8: Đánh giá nguồn dữ liệu Exercise 9: Tăng cường dữ liệu (Data augmentation)Exercise 10: Tích hợp dữ liệu Exercise 11: Các bước tích hợp dữ liệu Exercise 12: Rủi ro và lợi ích của tích hợp dữ liệu

Tìm hiểu kiểm toán dữ liệu, kiểm định dữ liệu và giảm thiểu thiên lệch. Tiền xử lý dữ liệu và phát hiện thiên lệch trong mô hình nghe có vẻ không thú vị, nhưng hãy tối giản chúng bằng những cách tiếp cận phổ biến và kỹ thuật đáng tin cậy!

Exercise 1: Kiểm toán dữ liệu Exercise 2: Kiểm toán dữ liệu trong vòng đời dự án Exercise 3: Nhu cầu kiểm toán dữ liệu Exercise 4: Xác thực dữ liệu Exercise 5: Định nghĩa xác thực dữ liệu Exercise 6: Các cách tiếp cận xác thực dữ liệu Exercise 7: Thực hành tốt nhất về xác thực dữ liệu Exercise 8: Phân tích theo nhóm con Exercise 9: Xác thực dữ liệu trong dự án Exercise 10: Tiền xử lý và thiên lệch Exercise 11: Giảm thiểu thiên lệch Exercise 12: Chiến lược giảm thiểu Exercise 13: Giảm thiểu thiên lệch trong suốt vòng đời dự án Exercise 14: Hệ quả của việc giảm thiểu thiên lệch Exercise 15: Thiên lệch sau khi triển khai Exercise 16: Chúc mừng bạn!