Informazioni amministrative
| Titolo | Fiducia, Normatività e Model Drift |
| Durata | 60 |
| Modulo | C |
| Tipo di lezione | Sessione interattiva |
| Focus | Tecnico — Intelligenza Artificiale del Futuro |
| Argomento | Problemi aperti e sfide |
Parole chiave
Fiducia, deriva del modello, Normatività,
Obiettivi di apprendimento
- Applicare quadri di fiducia a diversi casi di studio di esempio AI/ML
- Proporre metriche di fiducia per esempio studi di casi e link al quadro fiduciario dell'UE
- Discutere la regolamentazione digitale nel contesto di esempi di casi di studio
- Identificare e modellare il potenziale di deriva in esempi di casi di studio e proporre metriche e soluzioni di deriva per rafforzare la fiducia dei modelli
Preparazione prevista
Eventi di apprendimento da completare prima
Obbligatorio per gli studenti
Facoltativo per gli studenti
Referenze e background per gli studenti
Consigliato per gli insegnanti
Nessuno.
Materiale didattico
Istruzioni per gli insegnanti
Istigare gli studenti a impegnarsi in discussioni. Guidare e guidare la discussione nell'ambito dei punti di discussione. Incoraggiare gli studenti a concentrarsi sulle prove e interrompere se stanno parlando sugli altri. Tenere una nota di tutti i punti di discussione e condividere il percorso di discussione alla fine della lezione. Fornire osservazioni conclusive sulla discussione con eventuali domande e sfide aperte.
Contorno
| Durata (min) | Descrizione |
|---|---|
| 5 | Definizione del problema |
| 25 | Esempi di deriva del modello, Tipi di modello Drift |
| 15 | Discussione sulla Normatività, Applicazione di framework di fiducia ai modelli AI/ML |
| 5 | Sintesi della discussione su Model Drift and Normativity e Open Ended Questions |
Riconoscimenti
Il programma Human-Centered AI Masters è stato co-finanziato dal meccanismo per collegare l'Europa dell'Unione europea nell'ambito della sovvenzione CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.