Programoversigt

I vores mål om at skabe en Human-Centred AI kandidatuddannelse, HCAIM Consortium følger definitionen af ​​AI HLEG: “Den menneskecentrerede tilgang til kunstig intelligens bestræber sig på at sikre, at menneskelige værdier er centrale for, hvordan AI-systemer udvikles, udbredes, anvendes og overvåges, ved at sikre respekt for de grundlæggende rettigheder.

For at opfylde kravene i denne definition dækker programmet de tekniske, etiske og praktiske elementer af kunstig intelligens. Vi har designet vores indhold omkring de tre faser af MLOps livscyklus — udvikling, implementering og vedligeholdelse af maskinlæringsmodeller, og har således produceret tre kernemoduler i overensstemmelse med ovennævnte ML-Ops-faser: Modellering (modul A), implementering (modul B) og evaluering (modul C). Vi har tilføjet et fjerde modul (D) Graduation, for at give eleverne mulighed for at vise, at de selvstændigt kan løse udfordringer foreslået af industrien baseret på aktuelle behov og krav relateret til området for menneskecentreret kunstig intelligens.

Dette visualiseres i tabellen nedenfor.

Modul A Modul B Modul C Modul D
Teknisk

Grundlaget for AI

Avanceret AI:
Dyb læring
Fremtidens AI

Master afhandling projekt

Praktisk AI modellering AI i aktion:
Organisatorisk kunstig intelligens
Socialt ansvarlig AI
Etisk Grundlæggende etik Pålidelig AI Overholdelse, lovlighed og menneskelighed

Denne side indeholder den korte beskrivelse af de moduler, der er defineret i Human Centered Artificial Intelligence Master. Alle læringsbegivenheder, herunder deres ledsagende studiemateriale, er tilgængelige på Wikiwijs’s HCAIM-hjemmeside.

Beskrivelserne af læringsarrangementet blev oversat til alle de 24 officielle EU-sprog ved hjælp af Den Europæiske Unions eTranslation-værktøj og kan findes på de lister, der er tildelt sprogene. Bemærk, at oversættelserne ikke gennemgås af nogen undervisere.

Alle materialer er tilgængelige under en Creative Commons Navngivelse-IkkeKommerciel-NoDerivates 4.0 licens (CC BY-NC-ND 4.0)

 

Modellering (Modul A)

Det første modul, nemlig modellering (modul A), fokuserer på den første fase af MLOps livscyklus og er relateret til det laveste modenhedsniveau for anvendelsen af Machine Learning (ML) i organisationer: modellering af data. Det omfatter de aktiviteter, der danner grundlag for anvendelsen af ML, såsom dataudtræk, dataanalyse, dataforberedelse, modeluddannelse og (hovedsagelig manuel) validering og evaluering.

I denne fase fokuseres der på korrekt analyse og modellering af data for at nå de forretningsmæssige mål, og automatisering (f.eks. CI/CD), som kun tilføjes i anden fase af MLOps (implementering — modul B). Modelleringsaktiviteterne er ofte kendetegnet ved den manuelle, scriptdrevne og interaktive metode, hvormed dataanalyse, -forberedelse, modeluddannelse og -validering udføres. For at bevare overblikket over de forskellige modeller, parametre og valg, der eksperimenteres med, anvendes eksperimentsporing.

Ud fra et etisk perspektiv er det vigtigt i modelfasen at afsætte tilstrækkelig tid og opmærksomhed på at finde ud af kundens mål, kortlægge interessenterne og undersøge, hvordan disse interessenters individuelle værdier påvirkes (og anerkende mulige konflikter mellem dem). Aspekter som gennemsigtighed, inklusion, sikkerhed og privatlivets fred er af stor betydning i denne forbindelse. Naturligvis skal der også lægges vægt på den sociale og moralske ønskværdighed af klientens mål. Desuden er det vigtigt at have (tidlig) bevidsthed om mulige biaser/fordomme i de tilgængelige data, anerkende de mulige konsekvenser af disse fordomme og finde afbødninger til at håndtere disse fordomme.

Læringsresultater

  • Den studerende evaluerer forskellige ML-teknikker til at træffe et velbegrundet valg, der matcher kundens erhvervede krav og implementerer en prototype af den valgte ML-teknik til at rådgive om at løse et givet datamodelleringsproblem.
  • Læringsresultat 1
  • Den studerende argumenterer ved hjælp af grundlæggende etiske rammer, hvordan moralske dilemmaer kan løses og evaluerer de mulige konsekvenser af eksisterende skævheder i data og indflydelsen af designet modvirkning for at modvirke konsekvenserne af disse skævheder.
  • Læringsresultat 2
  • Den studerende anvender kvantitative og kvalitative forskningsmetoder til videnskabeligt at underbygge deres valg under de etiske overvejelser og fremstilling af prototypen.
  • Læringsresultat 3

Implementering (modul B)

Modulet Implementering (modul B) fokuserer på anden fase af MLOps-udviklingscyklussen. indsættelsen. Efter den dataeksploratoriske fase af modellering (se modul A — Modelling) kommer integrationen af ML-løsningen i forretningssystemerne. Det er nu vigtigt at begynde at tænke på ML-arkitekturen, og hvordan den spiller sammen med de eksisterende systemer (legacy). For at opnå reelle fordele ved automatiserede ML-løsninger er det nødvendigt at indføre rørledninger; på den ene side at kunne håndtere kontinuerlige og levende dataforsyninger (strømbehandling), og på den anden side at knytte resultaterne af ML-modellen sammen med andre systemer.

Desuden øger modul B kompleksiteten af AI-teknologi ved at bevæge sig i retning af (brug af) neurale netværk og dyb læring. En stor fordel ved disse mere komplekse modeller er, at de er mere fleksible og alsidige end de teknikker, der introduceres i modul A — modellering. Men de vigtige ulemper ved disse teknikker er, at de er mere komplekse (at forstå og konfigurere) og uigennemsigtige. Deri ligger et vigtigt etisk dilemma i brugen af (avancerede) AI-teknikker: hvordan forstår du stadig, hvad AI-løsningen beregner, og om dette gøres på den rigtige måde. At gøre udbredelsen af AI-løsninger mere gennemsigtig og være i stand til at bestemme de mulige risici og afbøde disse risici er vigtige (sociale) temaer i dette modul.

Læringsresultater

  • Den studerende vurderer de mulige valg for integration af en avanceret AI-teknik, såsom Deep og/eller Reinforcement Learning, og forfattere en ensides rapport baseret på en prototype, der er udviklet under hensyntagen til begrænsningerne af og indflydelsen på kundens eksisterende IKT-systemer og datafaciliteter, som er opnået i samarbejde med f.eks. IKT-arkitekter eller udviklere.
  • Læringsresultat 1
  • Den studerende vurderer den potentielle risiko og tester graden af gennemsigtighed (herunder fortolkelighed, reproducerbarhed og forklarlighed) af en valgt AI/ML-implementering og designløsninger ved hjælp af teknikker, der øger indsigt og gennemsigtighed blandt interessenter (såkaldte Explainable AI (XAI) teknikker) for at afhjælpe mangler i denne henseende sammenlignet med de sociale og kundespecifikke krav.
  • Læringsresultat 2
  • Den studerende formulerer et forskningsdesign til et videnskabeligt forsvarligt (praktisk orienteret) forskningsprojekt relateret til en virksomhedssag ved at formulere et relevant, konsistent, funktionelt forskningsspørgsmål, der tager hensyn til de anvendte forskningsmetoder, der skal anvendes, og etablere en præcis, relevant og kritisk teoretisk ramme.
  • Læringsresultat 3

Evaluering (modul C)

Evalueringsmodulet ( modul C) fokuserer på evalueringsaspekterne af AI-udvikling, herunder både de samfundsmæssige aspekter af et AI-produkt, og udviklingen af en vurdering af de potentielle fremtidige retninger, som kunstig intelligens kan tage, idet der ses på teknologiske tendenser. socialt ansvarlig kunstig intelligens; overholdelse, samt sikring af, at det menneskelige element altid er til stede i design, udvikling og evaluering af AI-systemer.

Som en del af AI’s fremtid drøftes en undersøgelse af graden af AI-anvendelse i forskellige industrier, samt hvordan AI er tilpasset til forskellige domæner. Når man ser på socialt ansvarlig kunstig intelligens, omfatter det, hvordan kunstig intelligens påvirker enkeltpersoner og forskellige grupper i samfundet. Og som en afgørende del af modulet er der fokus på love, politikker og adfærdskodekser vedrørende kunstig intelligens (med vægt på spørgsmål som forklarlighed og tillid) samt kvalitetskontrol og kvalitetsstyringsprocesser for at evaluere resultaterne af AI-initiativer.

Læringsresultater

  • Den studerende udvikler en forståelse af de banebrydende tilgange til AI og maskinlæring, samt en forståelse af, hvordan kunstig intelligens udnyttes på forskellige områder, og hvordan man evaluerer de potentielle retninger kunstig intelligens kan gå i fremtiden.
  • Læringsresultat 1
  • Den studerende viser en veldefineret tilgang til konsekvensscanning, der overvejer spørgsmål som evaluering af den potentielle indvirkning, ny teknologi kan have på enkeltpersoner og samfund, med fokus specifikt på mindretal og marginaliserede grupper samt potentielle miljøpåvirkninger.
  • Læringsresultat 2
  • Den studerende demonstrerer evnen til at anvende en fuldt artikuleret forskningsmetode med etik indlejret på alle stadier, med en bevidsthed om den kontekstuelle karakter af de specifikke tilgange, der skal anvendes, som vil blive informeret af de casestudier, der er omfattet af dette modul.
  • Læringsresultat 3

Graduering (modul D)

Graduation modulet (Module D) afspejler det centrale princip i HCAIM-programmet, der bygger på begrebet projektbaseret læring (PBL). Målet med dette modul er at placere gradueringsprojektet (gør et professionelt produkt) centralt i den studerendes læringsforløb. Som en del af deres Graduation projekt (Master Afhandling), studerende viser, at de selvstændigt kan løse udfordringer foreslået af industrien baseret på aktuelle behov og krav, i betragtning af både de tekniske og etiske aspekter af det foreliggende spørgsmål.

Hver afhandling betragtes lokalt, med en intern vejleder (en professor fra universitetet, hvor den studerende forfølger graden) og en ekstern vejleder, der tilhører den part, der foreslår afhandlingen (hvis nogen). Dette sidste aspekt forfølges, selv om det ikke er obligatorisk, strengt. Den forslagsstillende part kan være en SMV, et Excellence Center eller et andet universitet, både på nationalt og internationalt plan. Forslagsstillere forventes at levere både nationalt og internationalt speciale (dvs. afhandling organiseret i med et universitet fra samme land eller fra et udenlandsk).

Læringsresultater

  • Den studerende anerkender og reflekterer over AI-livscyklussen i en realistisk, industriinformeret kontekst og på forskellige steder, scenarier og brugssager.
  • Læringsresultat 1
  • Den studerende demonstrerer en robust og gyldig forskningsholdning gennem et projekt med en veldefineret tværfaglig tilgang, der producerer brancherelevante og teknologisk kompetente løsninger, samtidig med at den evaluerer den potentielle indvirkning af deres arbejde på enkeltpersoner og samfund
  • Læringsresultat 2
  • Den studerende demonstrerer en professionel holdning til kommunikation med relevante interessenter (f.eks. mentorer, rådgivere, jævnaldrende og kunder), en analytisk holdning, arbejdsetik, planlægningskompetence, proaktivhed og selvbevidsthed
  • Læringsresultat 3

Retningslinjer for afhandlingen

HCAIM Afhandling Forslag Retningslinjer

 

Disse retningslinjer har til formål at støtte parter, der har til hensigt at foreslå en ny afhandling.

HCAIM afhandling skabelon

 

Se HCAIM-afhandlingsskabelonen her.

Etiske retningslinjer for HCAIM-teser

 

Plagiering, datafremstilling og billedmanipulation

Plagiering er ikke acceptabelt. Plagiering omfatter kopiering af tekst, ideer, billeder eller data fra en anden kilde, herunder dine egne publikationer, uden at give kredit til den oprindelige kilde.

Genbrug af tekst kopieret fra en anden kilde skal være mellem anførselstegn og den oprindelige kilde skal citeres. Hvis tidligere undersøgelser har inspireret en undersøgelses design eller manuskriptets struktur eller sprog, skal disse studier udtrykkeligt citeres.

Billedfiler må ikke manipuleres eller justeres på nogen måde, der kan føre til fejlfortolkning af oplysningerne fra det oprindelige billede. Uregelmæssig manipulation omfatter 1) introduktion, forbedring, flytning eller fjernelse af funktioner fra det oprindelige billede, 2) gruppering af billeder, der skal præsenteres separat, eller 3) at ændre kontrasten, lysstyrken eller farvebalancen for at skjule, fjerne eller forbedre visse oplysninger.

De fremlagte resultater må ikke være uhensigtsmæssigt udvalgt, manipuleret, forbedret eller fabrikeret. Dette omfatter 1) udelukkelse af datapunkter for at øge betydningen af konklusioner, 2) udarbejdelse af data, 3) udvælgelse af resultater, der understøtter en bestemt konklusion på bekostning af modstridende data, 4) bevidst udvælgelse af analyseværktøjer eller -metoder til støtte for en bestemt konklusion (herunder p-hacking).

Forskning, der involverer mennesker, dyr eller planter

Ved rapportering om forskning, der involverer mennesker, humant materiale, humant væv eller humane data, skal den forslagsstillende part sikre, at undersøgelserne blev udført i overensstemmelse med reglerne i Helsingforserklæringen fra 1975, som blev revideret i 2013. Enhver konsekvens i forbindelse med overtrædelsen af dette aspekt vil helt blive tilskrevet den forslagsstillende part og hverken på HCAIM-konsortiet eller den studerende.

Afhandlinger, der arbejder med cellelinjer, skal angive oprindelsen af ​​enhver cellelinjer. For etablerede cellelinjer skal herkomsten angives, og der skal også henvises til et offentliggjort papir eller en kommerciel kilde. Hvis der tidligere har været anvendt upublicerede de novo -cellelinjer, herunder dem, der er begavet fra et andet laboratorium, skal der gives nærmere oplysninger om institutionel revision eller etisk udvalgs godkendelse, og der skal gives bekræftelse på skriftligt informeret samtykke, hvis linjen er af menneskelig oprindelse.

Alle de emner, der potentielt stammer fra enhver forskning, der forårsager skade på dyr, er forbudt. Alle de retningslinjer, der gælder for mennesker, bør også følges (hvor det er muligt) for dyr.

Eksperimentel forskning på planter (enten dyrket eller vildt), herunder indsamling af plantemateriale, skal overholde institutionelle, nationale eller internationale retningslinjer. Vi anbefaler, at teserne overholder konventionen om den biologiske mangfoldighed og konventionen om handel med udryddelsestruede vilde dyr og planter.

Køn, etnicitet, religion og andre skævheder i forskningen

Det opfordres til at følge “Sex and Gender Equity in Research — SAGER — Guidelines” og til at medtage køns- og kønsaspekter, hvor det er relevant. Begreberne køn (biologisk egenskab) og køn (formet af sociale og kulturelle forhold) bør anvendes omhyggeligt for at undgå forvirring begge begreber. Afhandlingen bør også beskrive (i baggrunden), om der kan forventes køns- og/eller kønsforskelle. rapportere, hvordan der blev taget højde for køn og/eller køn i forbindelse med udformningen af undersøgelsen tilvejebringe opdelte data efter køn og/eller køn, hvor det er relevant og diskutere de respektive resultater. Hvis der ikke blev foretaget en køns- og/eller kønsanalyse, bør begrundelsen anføres i diskussionen.

Lignende overvejelser gælder for alle de andre former for bias, herunder (og ikke begrænset til) etnicitet og religion. For førstnævnte minder vi om, at mennesker ikke har racer, men kun etnicitet.

Hvis afhandlingen er fokuseret på bias, skal rationalet bag det afklares fra begyndelsen.

Interessekonflikter

Studerende skal undgå at indgå aftaler med studiesponsorer, både for-profit og non-profit, der forstyrrer adgangen til alle undersøgelsens data, eller som forstyrrer deres evne til at analysere og fortolke dataene og forberede specialet uafhængigt, når og hvor de vælger.

Studerende skal identificere og erklære eventuelle personlige omstændigheder eller interesser, der kan opfattes som uhensigtsmæssigt påvirke repræsentationen eller fortolkningen af ​​de rapporterede forskningsresultater. Eksempler på potentielle interessekonflikter omfatter, men er ikke begrænset til finansielle interesser (såsom medlemskab, beskæftigelse, konsulentfirmaer, aktier/aktieejerskab, honorarer, tilskud eller anden finansiering, betalte ekspertudtalelser og patentlicensordninger) og ikke-finansielle interesser (såsom personlige eller faglige forhold, tilhørsforhold, personlige overbevisninger).

Finansieringssponsorernes eventuelle rolle i udformningen af undersøgelsen, i indsamlingen, analysen eller fortolkningen af data, i manuskriptets skriftlige form eller i beslutningen om at offentliggøre resultaterne skal anmeldes på forhånd.

Referencepolitik

  • Studerende skal sikre, at hvor materialet er taget fra andre kilder (herunder deres egen offentliggjorte skrift), kilden er klart citeret og hvor det er relevant tilladelse er indhentet.
  • Studerende bør ikke engagere sig i overdreven selv-citation af deres eget arbejde.
  • Studerende bør ikke kopiere referencer fra andre publikationer, hvis de ikke har læst det citerede værk.
  • Studerende bør ikke fortrinsvis citere deres egne eller deres venners, jævnaldrendes eller institutionens publikationer.
  • Studerende bør ikke citere reklamer eller reklamemateriale.

Etiske retningslinjer for korrekturlæsere

Potentielle interessekonflikter

Anmeldere anmodes om at underrette HCAIM-bestyrelsen, hvis de har en interessekonflikt, der kan skade den reviderede vurderingsrapport, enten på en positiv eller negativ måde. Bestyrelsen vil kontrollere så nøjagtigt som muligt, inden den inviterer korrekturlæsere. ikke desto mindre forventes og værdsættes samarbejdet mellem anmeldere på dette område.

Fortrolighed og anonymitet

Anmeldere skal holde indholdet af afhandlingen, herunder det abstrakte, fortrolige. De skal underrette HCAIM’s bestyrelse, hvis de ønsker, at en kollega afslutter anmeldelsen på deres vegne.

Risikomatrix og modvirkningsplan for HCAIM-afhandlinger

 

Denne skabelon giver vejlederen mulighed for at støtte den studerende i at identificere og håndtere problemer. Samtidig vil en afhandling foreslånde part blive bedt om at udarbejde denne skabelon.

Alle delmål og resultater for færdiggørelsen af det foreslåede forskningsprojekt bør indgå i projektforslaget. Studerende er også forpligtet til at forberede en risikomatrix, der omfatter risici, der kan true at nå disse leverancer og give beredskabsplaner for at afbøde de skitserede risici. Et eksempel på en risikomatrix og afbødningsplan er vist nedenfor. Medtag yderligere risici, hvis det er nødvendigt:

Risiko Sværhedsgrad Sandsynlighed Afbødning
Kunne ikke indsamle måldata i tide Høj Lav Projektet vil begynde at undersøge de åbent tilgængelige ressourcer. Undersøge muligheder for at erhverve syntetiske eller præ-tilgængelige offentlige data svarende til måldata.
Utilstrækkelig finansiering af ressourcer Medium Medium Der vil blive søgt alternative finansieringskilder.
Forskning/Projektmål alt for ambitiøse Medium Lav Regelmæssigt gennemgå projektmål og regularisere projektets resultater baseret på gennemgangsprocessen.
(Alt for) store mængder af
supplerende
uddannelse kræves
Medium Lav Der vil blive indhentet forhåndsgodkendelse. Projektets mål vil blive opdateret på baggrund af den tid og de ressourcer, der anvendes til denne supplerende uddannelse.
Tab af data Medium Lav Den studerende vil følge passende backup procedurer for at minimere risikoen.

Eksempler på specialeemner





















Gå til indhold

 

Skip to content