Adminisztratív információk
| Cím | Bizalom, Normativitás és Modell Drift |
| Időtartam | 45–60 |
| Modul | C |
| Lecke típusa | Előadás |
| Fókusz | Technikai – Jövőbeli MI |
| Téma | Nyitott problémák és kihívások |
Kulcsszó
Bizalom,Normativitás,Model Drift,
Tanulási célok
- Annak megértése, hogy mérni kell a mesterséges intelligenciába vetett bizalmat
- A Normativitás fogalmának megértése a jövő mesterséges intelligenciájával összefüggésben
- Magyarázza el a modelleltolódás különböző típusait, és javasoljon időszerű intézkedéseket a jövőbeli MI-rendszerek számára a modelleltolódás kezelésére
Várható előkészítés
Az előtt befejezendő tanulási események
Kötelező a diákok számára
- Etikai tartalom az A modulból
- Etikai tartalom a B modulból
Választható diákok számára
- Bevezetés a gépi tanulásba és a mélytanulási koncepciókba a korábbi előadásokon
Referenciák és háttér a diákok számára
- Bizalom és mesterséges intelligencia
- Felmérés a gépi tanuláson alapuló bizalmi értékelésről
- A mesterséges intelligenciába vetett bizalom mérésének értéke – szocio-Technical System Perspective
- Ha a bizalom megfelel a pontosságnak: A többszörös teljesítménymutatók hatásának feltárása a gépi tanulási modellekbe vetett bizalomra
- Az AI-ben egyre inkább bízunk: többrétegű bizalmi modell az emberi-mesterséges intelligencia kölcsönhatások elemzéséhez
- Bizalom és a mesterséges intelligencia etikája
- Etikai iránymutatások a megbízható mesterséges intelligenciához
- Megmagyarázható, Normatív és Megindokolt Ügynökség
- Modell Drift a gépi tanulásban
- Egységesítő nézet az adatkészlet-eltolódásról az osztályozásban
- ODIN: Automatizált Drift-felismerés és -helyreállítás a videoelemzésben
- Tanulás a koncepció Drift alatt: Felülvizsgálat
- Miért fontos az adatsodródás észlelése, és hogyan automatizálhatja 5 egyszerű lépésben
Ajánlott tanároknak
Egy sem.
Leckeanyagok
Utasítások tanároknak
Ennek az előadásnak a bizalom koncepciójára kell összpontosítania a mesterséges intelligenciát és a gépi tanulást alkalmazó rendszerekről a döntések meghozatalához. Meg kell határoznia a bizalmat és a bizalom jellemzőit, valamint az ügynökök bizalmát. Az előadásnak gyakorlati kapcsolatot kell biztosítania a mesterséges intelligenciával kapcsolatos uniós bizalomra vonatkozó javasolt kerettel. Az előadásnak be kell mutatnia a digitális normativitás fogalmát és a modell sodródásának, mérésének és nyomon követésének problémáját a megbízható mesterséges intelligencia és a gépi tanulás összefüggésében.
Az előadás célja a bizalom fogalmának megvitatása az MI-rendszerek összefüggésében. Az előadásnak válaszolnia kell a kérdésre: Mit jelent a bizalom, és hogyan építhetjük ki az MI-rendszerekbe vetett bizalmat? Az előadásnak meg kell vitatnia a normativitás fogalmát a mesterséges intelligencia és az automatizált döntéshozatali rendszerek összefüggésében is, növelve a bizalom fontosságát. Végül, az előadás megvitatja a modell sodródását, a modell sodródásának típusait, a modell sodródásának mérésére szolgáló mérőszámokat és a modell sodródásának kezelését, amelynek bizonyítania kell, hogy a bizalmat folyamatosan figyelemmel kell kísérni.
Vázlat
| Időtartam | Leírás | Fogalmak | Tevékenység | Anyag |
|---|---|---|---|---|
| 5 perc | Mi az a bizalom? | A bizalom filozófiája, a bizalom jellemzése, a bizalom ügynökei és páciensei, a társadalmi-technikai ökoszisztéma, a bizalom szerepe a tudásban | Tanított ülés és példák | Előadási anyagok |
| 15 perc | Kutatási feladat Bizalom a mesterséges intelligenciában |
Nyitott kérdések és egy cikk áttekintése | Előadási anyagok | |
| 10 perc | A digitális normativitás kialakulása | Szubjektiváció, szubjektiváció, indokolt ügynökség, magyarázható és normatív ügynökség | Tanított ülés és példák | Előadási anyagok |
| 15 perc | Drift modell | Mi a modell sodródása, a modell/koncepciós sodródás típusai (predikció, koncepció, adatok, upstream), Drift mérőszámok (Population Stability Index, KL divergencia, Wasserstein távolsága), A modell sodródásának kezelése (monitoring, adatminőség, átképzés, paraméter tuning) | Tanított ülés és példák | Előadási anyagok |
| 5 perc | Következtetés | Összefoglaló | Következtetések | Előadási anyagok |
Visszaigazolások
A Human-Centered AI Masters programot az Európai Unió Európai Hálózatfinanszírozási Eszköze (CEF-TC-2020–1 Digitális készségek 2020 EU-IA-0068) társfinanszírozta.