Haldusteave
| Ametinimetus | Usaldus, normatiivsus ja mudeli drift |
| Kestus | 45–60 |
| Moodul | C |
| Õppetunni liik | Loeng |
| Keskendumine | Tehniline – tulevane tehisintellekt |
| Teema | Avatud probleemid ja väljakutsed |
Võtmesõnad
Usaldus, normatiivsus, mudel Drift,
Õpieesmärgid
- Mõista vajadust mõõta usaldust tehisintellekti vastu
- Normatiivsuse mõiste mõistmine tulevase tehisintellekti kontekstis
- Selgitage erinevaid mudelite triivi ja soovitage tulevaste tehisintellektisüsteemide õigeaegseid meetmeid, et tegeleda mudeli triiviga
Eeldatav ettevalmistamine
Õppeüritused, mis tuleb lõpetada enne
Kohustuslik õpilastele
- Eetika sisu moodulist A
- Eetika sisu moodulist B
Valikuline õpilastele
- Sissejuhatus masinõppesse ja varasemates loengutes esitatud süvaõppe kontseptsioonidesse
Viited ja taust õpilastele
- Usaldus ja tehisintellekt
- Uuring masinõppel põhineva usalduse hindamise kohta
- Tehisintellekti usaldusväärsuse mõõtmise väärtus – sotsiaal-tehniline süsteemiperspektiiv
- Kui usaldus vastab täpsusele: Mitme tulemusnäitaja mõju uurimine masinõppemudelite usaldusväärsusele
- In AI me usaldame in Incrementally: mitmekihiline usaldusmudel inim- ja tehisintellekti koostoime analüüsimiseks
- Usaldus ja tehisintellekti eetika
- Usaldusväärse tehisintellekti eetikasuunised
- Selgitatav, Normatiivne ja Põhjendatud Amet
- Mudel Drift masinõppes
- Ühendav vaade andmekogumi nihke kohta klassifikatsioonis
- ODIN: Automaatne Drift tuvastamine ja taastamine videoanalüüsis
- Õppimine kontseptsiooni Drift: Ülevaade
- Miks andmete triivi tuvastamine on oluline ja kuidas automatiseerida seda 5 lihtsa sammuga
Soovitatav õpetajatele
Puudub.
Õppematerjalid
Juhised õpetajatele
See loeng peaks keskenduma usalduse kontseptsioonile süsteemide kohta, mis kasutavad otsuste tegemiseks tehisintellekti ja masinõpet. See peaks määratlema usalduse ja usalduse omadused koos usaldusisikutega. Loeng peaks andma praktilise seose kavandatava ELi tehisintellekti usaldusraamistikuga. Loengus tuleks tutvustada ka digitaalse normatiivsuse kontseptsiooni ning mudeli triivimise, mõõtmise ja jälgimise mudeli triivi probleemi usaldusväärse tehisintellekti ja masinõppe kontekstis.
Selle loengu eesmärk on arutada usalduse kontseptsiooni tehisintellektisüsteemide kontekstis. Loeng peaks vastama küsimusele: Mida tähendab usaldus ja kuidas saame luua usaldust tehisintellektisüsteemide vastu? Loengus tuleks arutada ka normatiivsuse kontseptsiooni tehisintellekti ja automatiseeritud otsustussüsteemide kontekstis, lisades usalduse tähtsusele kaalu. Lõpuks käsitletakse loengus mudeli triivi, mudeli triivi tüüpe, mudeli triivi mõõtmise mõõdikuid ja seda, kuidas mudeli triiviga toime tulla, mis peaks näitama, et usaldust tuleks pidevalt jälgida.
Kontuur
| Kestus | Kirjeldus | Mõisted | Tegevus | Materjal |
|---|---|---|---|---|
| 5 minutit | Mis on usaldus? | Usalduse filosoofia, usalduse iseloomustamine, usaldusagendid ja patsiendid, sotsiaal-tehniline ökosüsteem, usalduse roll teadmistes | Õpetatud seanss ja näited | Õppematerjalid |
| 15 minutit | Uurimisülesanne Usaldus tehisintellekti vastu |
Avatud küsimused ja artikli läbivaatamine | Õppematerjalid | |
| 10 minutit | Digitaalse normatiivsuse tekkimine | Subjektiiviseerimine, subjektiivsuse kaotamine, põhjendatud asutus, selgitatav ja normatiivne asutus | Õpetatud seanss ja näited | Õppematerjalid |
| 15 minutit | Mudel Drift | Mis on mudeli triiv, mudeli/kontseptsiooni triivi tüübid (ennustamine, kontseptsioon, andmed, ülesvoolu), Drift mõõdikud (rahvastiku stabiilsusindeks, KL erinevus, Wassersteini kaugus), tegelemine mudeli triiviga (seire, andmete kvaliteet, ümberõpe, parameetrite häälestamine) | Õpetatud seanss ja näited | Õppematerjalid |
| 5 minutit | Järeldus | Kokkuvõte | Järeldused | Õppematerjalid |
Tunnustused
Inimkeskse tehisintellekti magistriprogrammi kaasfinantseeris Euroopa Liidu Ühendamise Rahastu toetusega CEF-TC-2020–1 „Digioskused 2020“-EU-IA-0068.