A program áttekintése

Célunk, hogy létrehozzunk egy emberközpontú AI mesterképzést, a HCAIM Konzorcium az AI HLEG definícióját követi: „A mesterséges intelligenciával kapcsolatos emberközpontú megközelítés célja annak biztosítása, hogy az emberi értékek központi szerepet kapjanak a mesterségesintelligencia-rendszerek kifejlesztésében, bevezetésében, felhasználásában és nyomon követésében, biztosítva az alapvető jogok tiszteletben tartását.

E meghatározás követelményeinek kielégítése érdekében a program a mesterséges intelligencia technikai, etikai és gyakorlati elemeire terjed ki. Tartalmunkat a MLOps életciklusának három fázisa köré terveztük – gépi tanulási modellek fejlesztése, telepítése és karbantartása, így három alapmodult állítunk elő a fent említett ML-Ops fázisokkal összhangban: Modellezés (A modul), telepítés (B modul) és értékelés (C modul). Hozzáadtunk egy negyedik modult (D) diploma, amely lehetővé teszi a diákok számára, hogy megmutassák, hogy képesek önállóan megoldani az iparág által javasolt kihívásokat az emberközpontú mesterséges intelligencia területének jelenlegi igényei és követelményei alapján.

Ezt az alábbi táblázat mutatja be.

A modul B modul C modul D modul
Műszaki adatok

Az AI alapjai

Fejlett AI:
Mély tanulás
A jövő mesterséges intelligenciája

Mester tézis projekt

Praktikus AI modellezés Mesterséges intelligencia működés közben:
Szervezeti mesterséges intelligencia
Társadalmilag felelős MI
Etikus Az etika alapjai Megbízható AI Megfelelés, jogszerűség és emberiesség

Ez az oldal a Human Centered Artificial Intelligence Master (Emberközpontú Mesterséges Intelligencia Mester) által meghatározott modulok rövid leírását tartalmazza. Minden tanulási esemény, beleértve a kísérő tananyagot is, elérhető a wikiwijs HCAIM weboldalán.

A tanulási esemény leírásait az Európai Unió eTranslation eszközének segítségével lefordították az EU mind a 24 hivatalos nyelvére, és azok elérhetők a nyelvekhez rendelt listáról. Ne feledje, hogy a fordításokat nem ellenőrzik az előadók.

Az összes anyag elérhető a Creative Commons Attribution-NonCommercial-NoDerivates 4.0 licenc (CC BY-NC-ND 4.0) alatt.

 

Modellezés (A modul)

Az első modul, nevezetesen a modellezés (A modul) a MLOps életciklusának első szakaszára összpontosít, és a gépi tanulás (ML) szervezetekben való alkalmazásának legalacsonyabb érettségi szintjéhez kapcsolódik: az adatok modellezése. Magában foglalja az ML alkalmazásának alapját képező tevékenységeket, például az adatkinyerést, az adatelemzést, az adatok előkészítését, a modellképzést és (főként manuális) modellhitelesítést és -értékelést.

Ebben a szakaszban a hangsúly az adatok helyes elemzésén és modellezésén van az üzleti célok elérése érdekében, és kevéssé használják fel az automatizálást (pl. CI/CD), amely csak a MLOps második szakaszában kerül hozzáadásra (telepítés – B modul). A modellezési tevékenységeket gyakran manuális, szkriptvezérelt és interaktív módszer jellemzi, amellyel az adatelemzést, előkészítést, modellképzést és validálást végzik. A kísérletezés alatt álló különböző modellek, paraméterek és választási lehetőségek áttekintéséhez a kísérletkövetést használjuk.

Etikai szempontból fontos, hogy a modellezési szakaszban elegendő időt és figyelmet fordítsunk az ügyfél céljainak megismerésére, az érdekelt felek feltérképezésére és annak feltárására, hogy ezek az érdekeltek milyen egyéni értékeket érintenek (és felismerjék a közöttük fennálló esetleges konfliktusokat). Ebben nagy jelentőséggel bírnak az olyan szempontok, mint az átláthatóság, a befogadás, a biztonság és a magánélet védelme. Természetesen figyelmet kell fordítani az ügyfél céljainak társadalmi és erkölcsi kívánatosságára is. Fontos továbbá, hogy a rendelkezésre álló adatokban (időben) tudatosítsuk a lehetséges elfogultságokat/előítéleteket, felismerjük ezen előítéletek lehetséges következményeit, és mérsékeljük ezeket az előítéleteket.

Tanulási eredmények

  • A hallgató értékeli a különböző ML technikákat, hogy megalapozott döntést hozzon, megfelelve az ügyfél megszerzett követelményeinek, és megvalósítja a választott ML technika prototípusát, hogy tanácsot adjon egy adott adatmodellezési probléma megoldásához.
  • Tanulási eredmények 1
  • A hallgató azzal érvel, hogy az alapvető etikai keretek segítségével hogyan lehet megoldani az erkölcsi dilemmákat, és értékeli az adatokban meglévő elfogultságok lehetséges következményeit és a tervezett mérséklések hatását, hogy ellensúlyozzák ezeknek az elfogultságoknak a következményeit.
  • Tanulási eredmények 2
  • A hallgató kvantitatív és kvalitatív kutatási módszereket alkalmaz, hogy tudományosan alátámasztsa döntéseit az etikai megfontolás(ok) és a prototípus készítése során.
  • Tanulási eredmények 3

Telepítés (B modul)

A modul telepítése (B modul) a MLOps fejlesztési ciklus második szakaszára összpontosít; a bevetés. A modellezés adatfeltáró fázisa (lásd A modul – Modellezés) után következik az ML megoldás integrálása az üzleti rendszerekbe. Most fontos, hogy elkezdjünk gondolkodni a ML architektúráról és arról, hogyan működik együtt a meglévő rendszerekkel (örökség). Az automatizált ML-megoldások valódi előnyeinek megtapasztalása érdekében csővezetékeket kell bevezetni; egyrészt a folyamatos és élő adatszolgáltatás (folyamatos feldolgozás) kezelése, másrészt az ML modell eredményeinek összekapcsolása más rendszerekkel.

Ezen túlmenően a B modul növeli a mesterségesintelligencia-technológia összetettségét azáltal, hogy a neurális hálózatok és a mélytanulás felé mozdul el. Ezeknek a komplexebb modelleknek az egyik legnagyobb előnye, hogy rugalmasabbak és sokoldalúbbak, mint az A modul – modellezés. Ezeknek a technikáknak azonban az a fontos hátránya, hogy összetettebbek (megérthetők és konfigurálhatók) és átlátszatlanok. Ebben fontos etikai dilemma rejlik a (fejlett) MI-technikák alkalmazásában: hogyan érti még mindig, hogy mit számít az MI-megoldás, és hogy ez a helyes módon történik-e? A mesterségesintelligencia-megoldások alkalmazásának átláthatóbbá tétele, valamint a lehetséges kockázatok meghatározásának és e kockázatok mérséklésének képessége fontos (társadalmi) témák ebben a modulban.

Tanulási eredmények

  • A hallgató értékeli a lehetséges választásokat a fejlett AI technika, mint például a Deep and/vagy Megerősítés Tanulás, és a szerzők egy egyoldalas jelentés alapján egy prototípust, amely figyelembe vette a korlátait és befolyásolja a meglévő IKT-rendszerek és adatlétesítmények az ügyfél, amely együttműködésben, például IKT építészek vagy fejlesztők.
  • Tanulási eredmények 1
  • A hallgató értékeli a potenciális kockázatot, és teszteli a kiválasztott MI/ML implementáció átláthatóságának fokát (beleértve az értelmezhetőséget, a reprodukálhatóságot és a megmagyarázhatóságot), és olyan technikákat alkalmaz, amelyek növelik az érdekelt felek közötti betekintést és átláthatóságot (úgynevezett magyarázható AI (XAI) technikák), hogy orvosolják az e tekintetben fennálló hiányosságokat a társadalmi és ügyfélspecifikus követelményekhez képest.
  • Tanulási eredmények 2
  • A hallgató egy tudományosan megalapozott (gyakorlatorientált) kutatási projektre fogalmaz meg egy vállalati esethez kapcsolódó kutatási projektet egy releváns, következetes, funkcionális kutatási kérdés megfogalmazásával, figyelembe véve az alkalmazott kutatási módszereket, és pontos, releváns és kritikus elméleti keretet hoz létre.
  • Tanulási eredmények 3

Értékelés (C modul)

Az értékelési modul (C modul) a mesterségesintelligencia-fejlesztés értékelési szempontjaira összpontosít, beleértve a mesterségesintelligencia-termékek társadalmi szempontjait, valamint a mesterséges intelligencia lehetséges jövőbeli irányainak megbecsülését, a technológiai trendeket vizsgálva; társadalmilag felelős MI; megfelelés, valamint annak biztosítása, hogy az emberi elem mindig jelen legyen a mesterségesintelligencia-rendszerek tervezésében, fejlesztésében és értékelésében.

A mesterséges intelligencia jövőjének részeként megvitatják a mesterséges intelligencia elterjedésének szintjét a különböző iparágakban, valamint azt, hogy a mesterséges intelligenciát hogyan igazítják a különböző területekhez. A társadalmilag felelős MI vizsgálata magában foglalja, hogy a mesterséges intelligencia hogyan hat az egyénekre és a társadalom különböző csoportjaira. A modul kulcsfontosságú részeként a mesterséges intelligenciával kapcsolatos jogszabályokra, szakpolitikákra és magatartási kódexekre összpontosítanak (kiemelt hangsúlyt fektetve az olyan kérdésekre, mint a megmagyarázhatóság és a bizalom), valamint a minőség-ellenőrzési és minőségirányítási folyamatokra, hogy értékeljék az MI-kezdeményezések eredményeit.

Tanulási eredmények

  • A hallgató értékeli az AI és a gépi tanulás élvonalbeli megközelítéseit, valamint annak megértését, hogy a mesterséges intelligenciát hogyan használják a különböző területeken, és hogyan kell értékelni a mesterséges intelligencia lehetséges irányait a jövőben.
  • Tanulási eredmények 1
  • A hallgató jól meghatározott megközelítést mutat a következmények szkennelésére, figyelembe véve az olyan kérdéseket, mint az új technológia potenciális hatásának értékelése az egyénekre és a társadalomra, különös tekintettel a kisebbségekre és a marginalizált csoportokra, valamint a lehetséges környezeti hatásokra.
  • Tanulási eredmények 2
  • A hallgató bemutatja a teljes körű kutatási módszertan alkalmazását az etikával minden szakaszban beágyazva, tudatában a konkrét megközelítések kontextuális jellegének, amelyet fel kell használni, amelyet az ebben a modulban szereplő esettanulmányok tájékoztatnak.
  • Tanulási eredmények 3

Érettségi (D modul)

A diploma modul (D modul) tükrözi a HCAIM program alapelvét, amely a projektalapú tanulás (PBL) koncepciójára épül. Ennek a modulnak az a célja, hogy az érettségi projektet (szakmai termék készítése) központilag helyezze el a hallgató tanulási pályáján. A diplomamunka részeként a hallgatók megmutatják, hogy képesek önállóan megoldani az iparág által javasolt kihívásokat a jelenlegi igények és követelmények alapján, figyelembe véve a szóban forgó kérdés technikai és etikai szempontjait.

Minden szakdolgozat helyileg tekinthető, egy belső felügyelővel (az egyetem professzora, ahol a hallgató folytatja a diplomát) és egy külső felügyelővel, amely a szakdolgozatot javasló félhez tartozik (ha van ilyen). Ez utóbbi szempontot, annak ellenére, hogy nem kötelező, szigorúan érvényesítik. A javaslattevő fél lehet kkv, kiválósági központ, vagy egy másik egyetem, mind nemzeti, mind nemzetközi szinten. A javaslattevő felektől elvárják, hogy mind a nemzeti, mind a nemzetközi disszertációt (azaz az azonos országból vagy külföldi egyetemmel szervezett szakdolgozatot) biztosítsák.

Tanulási eredmények

  • A hallgató felismeri és tükrözi az AI életciklusát reális, iparági tájékozott kontextusban, valamint különböző helyszíneken, forgatókönyvekben és használati esetekben.
  • Tanulási eredmények 1
  • A hallgató szilárd és érvényes kutatási attitűdöt mutat be egy jól meghatározott interdiszciplináris megközelítéssel, amely iparági szempontból releváns és technológiailag kompetens megoldásokat kínál, miközben értékeli munkájuk lehetséges hatását az egyénekre és a társadalomra
  • Tanulási eredmények 2
  • A hallgató szakmai attitűdöt mutat az érdekelt felekkel (pl. mentorokkal, tanácsadókkal, társaikkal és ügyfelekkel), analitikus hozzáállással, munkahelyi ethosszal, tervezési kompetenciával, proaktívsággal és önismerettel kapcsolatban.
  • Tanulási eredmények 3

Útmutató a szakdolgozathoz

HCAIM tézis Javaslatok Iránymutatások

 

Ezeknek az iránymutatásoknak az a célja, hogy támogassák azokat a feleket, amelyek új értekezést kívánnak javasolni.

HCAIM tézis sablon

 

Tekintse meg a HCAIM tézis sablon itt.

Etikai irányelvek a HCAIM tézisekhez

 

Plágium, adatgyártás és képmanipuláció

A plágium nem elfogadható. A plágium magában foglalja a szövegek, ötletek, képek vagy adatok másolását egy másik forrásból, beleértve a saját publikációit is, anélkül, hogy az eredeti forrást hitelezné.

A más forrásból másolt szöveg újrafelhasználása idézőjelek között kell, hogy legyen, és az eredeti forrásra kell hivatkozni. Ha a korábbi tanulmányok inspirálták a tanulmány tervét vagy a kézirat szerkezetét vagy nyelvét, akkor ezeket a tanulmányokat kifejezetten meg kell említeni.

A képfájlokat nem szabad manipulálni vagy módosítani olyan módon, amely az eredeti kép által szolgáltatott információk téves értelmezéséhez vezethet. Szabálytalan manipuláció: 1) bevezetése, javítása, mozgatása vagy eltávolítása az eredeti képről, 2) a képek csoportosítása, amelyeket külön kell bemutatni, vagy 3) a kontraszt, a fényerő vagy a színegyensúly módosítása bizonyos információk elhomályosítása, kiküszöbölése vagy javítása érdekében.

A bemutatott eredményeket nem szabad helytelenül kiválasztani, manipulálni, javítani vagy gyártani. Ez magában foglalja 1) az adatpontok kizárását a következtetések jelentőségének növelése érdekében, 2) az adatok előállítását, 3) az egy adott következtetést alátámasztó eredmények megválasztását az ellentmondásos adatok rovására, 4) az elemzési eszközök vagy módszerek szándékos kiválasztását egy adott következtetés alátámasztására (beleértve a p-hacking-ot is).

Emberi tárgyakat, állatokat vagy növényeket érintő kutatás

Az emberi alanyokat, emberi anyagokat, emberi szöveteket vagy emberi adatokat érintő kutatásokról szóló jelentések során a javaslattevő félnek gondoskodnia kell arról, hogy a vizsgálatokat az 1975. évi, 2013-ban felülvizsgált Helsinki Nyilatkozat szabályainak megfelelően végezzék el. Bármely következmény, amely ennek a szempontnak a megsértésével jár, teljes mértékben a javaslattevő félnek, és sem a HCAIM konzorciumnak, sem a hallgatónak nem lesz betudható.

A sejtvonalakkal való munka során meg kell jelölni a sejtvonalak eredetét. A meghatározott sejtvonalak esetében meg kell adni az eredetet, és hivatkozni kell egy közzétett papírra vagy egy kereskedelmi forrásra is. Ha korábban nem publikált de novo sejtvonalakat használtak, beleértve a más laboratóriumból származókat is, meg kell adni az intézményi felülvizsgálati testület vagy az etikai bizottság jóváhagyásának részleteit, és meg kell erősíteni az írásos tájékoztatáson alapuló beleegyezést, ha a vonal emberi eredetű.

Minden olyan téma, amely potenciálisan az állatoknak kárt okozó kutatásokból származik, tilos. Az emberekre vonatkozó valamennyi iránymutatást (amennyiben lehetséges) az állatok esetében is be kell tartani.

A (termesztett vagy vadon élő) növényeken végzett kísérleti kutatásnak, beleértve a növényi anyagok gyűjtését is, meg kell felelnie az intézményi, nemzeti vagy nemzetközi iránymutatásoknak. Javasoljuk, hogy a tézisek tartsák be a Biológiai Sokféleség Egyezményt és a veszélyeztetett vadon élő állat- és növényfajok kereskedelméről szóló egyezményt.

Szex, nem, etnikum, vallás és egyéb elfogultság a kutatásban

Javasoljuk, hogy kövessék a „Sex and Gender Equity in Research – SAGER – Guidelines” (Szex és nemek közötti egyenlőség a kutatásban – SAGER – iránymutatások) című dokumentumot, és adott esetben vegyék figyelembe a nemi és nemi szempontokat is. A nem (biológiai attribútum) és a nem (társadalmi és kulturális körülmények által formált) fogalmát gondosan kell használni, hogy elkerüljük a félreértéseket. A dolgozatnak le kell írnia (a „háttérben”) azt is, hogy várható-e nemi és/vagy nemi különbségek; beszámol arról, hogy a tanulmány kialakítása során hogyan vették figyelembe a nemet és/vagy a nemet; adott esetben nemek és/vagy nem szerinti bontásban szolgáltatnak adatokat; és megvitassák a megfelelő eredményeket. Ha nem végezték el a nemi és/vagy nemi elemzést, a vitát meg kell indokolni.

Hasonló megfontolások vonatkoznak az elfogultság minden más formájára, beleértve (és nem kizárólagosan) az etnikai hovatartozást és a vallást. Az előbbiek számára emlékeztetünk arra, hogy az embereknek nincs fajuk, hanem csak etnikai hovatartozásuk.

Ha a dolgozat az elfogultságra összpontosít, akkor a mögötte húzódó logikát már a kezdetektől tisztázni kell.

Összeférhetetlenség

A hallgatóknak el kell kerülniük, hogy megállapodásokat kössenek a tanulmányi szponzorokkal, mind a profitorientált, mind a nonprofit szervezetekkel, amelyek zavarják a tanulmány összes adatához való hozzáférést, vagy zavarják az adatok elemzésére és értelmezésére és a dolgozat független elkészítésére való képességüket, amikor és ahol úgy döntenek.

A hallgatóknak azonosítaniuk kell és nyilatkozniuk kell minden olyan személyes körülményről vagy érdeklődésről, amely helytelenül befolyásolja a jelentett kutatási eredmények képviseletét vagy értelmezését. Az esetleges összeférhetetlenségek közé tartoznak többek között a pénzügyi érdekek (mint például a tagság, a foglalkoztatás, a tanácsadói irodák, a részvények/részvények tulajdonjoga, a tiszteletdíj, a támogatások vagy egyéb finanszírozás, a fizetett szakértői tanúvallomások és a szabadalmaztatási megállapodások), valamint a nem pénzügyi érdekek (például személyes vagy szakmai kapcsolatok, kötődések, személyes meggyőződések).

A finanszírozó szponzoroknak a tanulmány megtervezésében, az adatok gyűjtésében, elemzésében vagy értelmezésében, a kézirat írásában vagy az eredmények közzétételére vonatkozó döntésben betöltött bármely szerepét előzetesen be kell jelenteni.

Idézési irányelvek

  • A hallgatóknak biztosítaniuk kell, hogy ha az anyagot más forrásokból veszik (beleértve a saját publikált írásukat is), a forrást egyértelműen idézik, és adott esetben engedélyt kapnak.
  • A diákoknak nem szabad túlzott önbecsülést folytatniuk saját munkájukról.
  • A diákok nem másolhatnak referenciákat más kiadványokból, ha nem olvasták az idézett művet.
  • A hallgatóknak nem szabad előnyben részesíteniük saját vagy barátaik, társaik vagy intézmények kiadványait.
  • A diákok nem hivatkozhatnak hirdetésekre vagy reklámanyagokra.

Etikai iránymutatások a felülvizsgálók számára

Potenciális összeférhetetlenség

Az értékelőket felkérik, hogy tájékoztassák a HCAIM-bizottságot, ha összeférhetetlenség áll fenn, amely hátrányosan befolyásolhatja a felülvizsgálati jelentést, akár pozitív, akár negatív módon. A testület a lehető legpontosabban ellenőrzi az értékelők meghívását; mindazonáltal elvárják és értékelik a bírálók együttműködését ebben az ügyben.

Titoktartás és anonimitás

A bírálóknak bizalmasan kell kezelniük a dolgozat tartalmát, beleértve az absztraktot is. Tájékoztatniuk kell a HCAIM fórumot, ha azt szeretnék, hogy egy kollégájuk befejezze a felülvizsgálatot a nevükben.

Kockázat mátrix és enyhítési terv HCAIM tézisek

 

Ez a sablon lehetővé teszi a felügyelő számára, hogy támogassa a hallgatót a problémák azonosításában és kezelésében. Ugyanakkor felkérnek egy szakdolgozatot ajánló pártot, hogy állítsa össze ezt a sablont.

A javasolt kutatási projekt befejezéséhez szükséges valamennyi mérföldkövet és eredményt bele kell foglalni a projektjavaslatba. A hallgatóknak kockázati mátrixot kell készíteniük, amely magában foglalja azokat a kockázatokat, amelyek veszélyeztethetik ezen eredmények elérését, és vészhelyzeti terveket kell készíteniük a felvázolt kockázatok mérséklésére. Az alábbiakban bemutatjuk a kockázati mátrixra és a kockázatcsökkentési tervre vonatkozó példát. Kérjük, szükség esetén adja meg a további kockázatokat:

Kockázat Súlyosság Valószínűsége Mérséklés
Nem sikerült időben összegyűjteni a céladatokat Magas Alacsony A projekt megkezdi a nyíltan rendelkezésre álló források vizsgálatát. Vizsgálja meg a céladatokhoz hasonló szintetikus vagy előre hozzáférhető nyilvános adatok megszerzésére vonatkozó lehetőségeket.
A források elégtelen finanszírozása Közepes Közepes Alternatív finanszírozási forrásokat kell keresni.
Kutatási/projekt célok túlságosan ambiciózus Közepes Alacsony Rendszeresen felülvizsgálja a projekt céljait, és a felülvizsgálati folyamat alapján rendezi a projekt eredményeit.
(Túlságosan) Nagy mennyiségű
kiegészítő
képzésre van szükség
Közepes Alacsony Előzetes jóváhagyásra kerül sor. A projekt céljait a kiegészítő képzéshez felhasznált idő és erőforrások alapján frissítjük.
Adatvesztés Közepes Alacsony A hallgató megfelelő biztonsági mentési eljárásokat követ a kockázat minimalizálása érdekében.

Példák tézistémákra





















Ugrás a tartalomra

 

Skip to content