In unserem Ziel, einen Human-Centred AI Master-Programm zu schaffen, folgt das HCAIM Consortium der Definition von AI HLEG: „Mit dem menschenzentrierten KI-Ansatz soll sichergestellt werden, dass menschliche Werte für die Entwicklung, Anwendung, Nutzung und Überwachung von KI-Systemen von zentraler Bedeutung sind, indem die Achtung der Grundrechte gewährleistet wird.“

Um den Anforderungen dieser Definition gerecht zu werden, umfasst das Programm die technischen, ethischen und praktischen Elemente der künstlichen Intelligenz. Wir haben unsere Inhalte rund um die drei Phasen des MLOps- Lebenszyklus – Entwicklung, Bereitstellung und Wartung von Machine-Learning-Modellen – konzipiert und produzieren so drei Kernmodule in Übereinstimmung mit den oben genannten ML-Ops-Phasen: Modellierung (Modul A), Bereitstellung (Modul B) und Evaluation (Modul C). Wir haben ein viertes Modul (D) Graduierung hinzugefügt, damit die Studierenden zeigen können, dass sie die von der Branche vorgeschlagenen Herausforderungen unabhängig lösen können, basierend auf den aktuellen Bedürfnissen und Anforderungen im Zusammenhang mit dem Bereich der menschenzentrierten künstlichen Intelligenz.

Dies wird in der nachstehenden Tabelle dargestellt.

Diese Seite enthält alle Lernereignisse, aus denen der Human Centered Artificial Intelligence Master besteht. Alle Lernveranstaltungen, einschließlich ihres flankierenden Studienmaterials, werden auf der HCAIM-Website in englischer Sprache zur Verfügung gestellt und können mithilfe des eTranslation -Instruments der Europäischen Union in jede der EU-Sprachen übersetzt werden. Für die Zwecke dieser Vorschau sind ein Lernereignis von Modul A, ein Lernereignis von Modul B, zwei Lernveranstaltungen des Moduls C und die Leitlinien für die Abschlussarbeit sowie zwei Beispiele für Thesis-Themen auf dieser Vorschauseite bereits vollständig auf Englisch verfügbar (und können mit dem eTranslation -Tool der Europäischen Union in eine der EU-Sprachen übersetzt werden).

Darüber hinaus sind die Programmübersicht des HCAIM- Programms, das Modul A Lernziele, die Modul A-Übersicht der Unterrichtspläne sowie das Modul A Learning Event „Lecture- Introduction to Human-Centered AI“ bereits in allen EU-Sprachen über diese Vorschauseite verfügbar.  Um die Übersetzungen dieser Teile des HCAIM-Programms zu sehen, wählen Sie bitte eine der einzelnen Sprachen am Ende dieser Seite aus.

Alle Materialien sind unter einer Creative Commons Attribution-NonCommercial-NoDerivates 4.0 Lizenz verfügbar (CC BY-NC-ND 4.0)

Das erste Modul, nämlich Modellierung (Modul A), konzentriert sich auf die erste Phase des MLOps-Lebenszyklus und bezieht sich auf den niedrigsten Reifegrad der Anwendung von maschinellem Lernen (ML) in Organisationen: Modellierung von Daten. Es umfasst die Tätigkeiten, die die Grundlage für die Anwendung von ML bilden, wie Datenextraktion, Datenanalyse, Datenvorbereitung, Modellschulung und (hauptsächlich manuelle) Modellvalidierung und -bewertung.

In dieser Phase liegt der Fokus auf der korrekten Analyse und Modellierung der Daten, um die Geschäftsziele zu erreichen, und es wird nur wenig von der Automatisierung (z. B. CI/CD) Gebrauch gemacht, die erst in der zweiten Phase von MLOps (Bereitstellung – Modul B) hinzugefügt wird. Die Modellierungsaktivitäten zeichnen sich häufig durch die manuelle, skriptgesteuerte und interaktive Methode aus, mit der Datenanalyse, Vorbereitung, Modellschulung und Validierung durchgeführt werden. Um einen Überblick über die verschiedenen Modelle, Parameter und Optionen zu erhalten, mit denen experimentiert wird, wird Experiment Tracking verwendet.

Aus ethischer Sicht ist es wichtig, in der Modellierungsphase genügend Zeit und Aufmerksamkeit zu widmen, um die Ziele des Kunden herauszufinden, die Stakeholder zu kartieren und zu untersuchen, wie die individuellen Werte dieser Stakeholder beeinflusst werden (und mögliche Konflikte zwischen ihnen zu erkennen). Dabei sind Aspekte wie Transparenz, Inklusion, Sicherheit und Privatsphäre von großer Bedeutung. Natürlich muss auch auf die soziale und moralische Erwünschtkeit der Ziele des Kunden geachtet werden. Darüber hinaus ist es wichtig, in den verfügbaren Daten (zeitlich) das Bewusstsein für mögliche Verzerrungen/Vorurteile zu haben, die möglichen Folgen dieser Vorurteile zu erkennen und Abschwächungen zu finden, um mit diesen Vorurteilen umzugehen.

Das Modul Bereitstellung (Modul B) konzentriert sich auf die zweite Phase des MLOps-Entwicklungszyklus; der Deployment. Nach der Datenexplorationsphase der Modellierung (siehe Modul A – Modellierung) kommt die Integration der ML-Lösung in die Geschäftssysteme. Es ist jetzt wichtig, über die ML-Architektur nachzudenken und wie sie mit den bestehenden Systemen (Legacy) spielt. Um von automatisierten ML-Lösungen wirklich profitieren zu können, müssen Pipelines eingeführt werden; zum einen, um mit kontinuierlichen und Live-Datenlieferungen (Stream-Verarbeitung) umgehen zu können und zum anderen die Ergebnisse des ML-Modells mit anderen Systemen zu verknüpfen.

Darüber hinaus erhöht Modul B die Komplexität der KI-Technologie, indem es auf (die Nutzung) neuronaler Netze und Deep Learning hinarbeitet. Ein großer Vorteil dieser komplexeren Modelle ist, dass sie flexibler und vielseitiger sind als die in Modul A – Modellierung eingeführten Techniken. Die wichtigsten Nachteile dieser Techniken sind jedoch, dass sie komplexer sind (um zu verstehen und zu konfigurieren) und opaquer. Darin liegt ein wichtiges ethisches Dilemma im Einsatz von (fortgeschrittenen) KI-Techniken: wie verstehen Sie immer noch, was die KI-Lösung berechnet und ob dies auf die richtige Weise geschieht. Die Einführung von KI-Lösungen transparenter zu gestalten und die möglichen Risiken zu ermitteln und diese Risiken zu mindern, sind wichtige (soziale) Themen in diesem Modul.

Das Evaluierungsmodul (Modul C) konzentriert sich auf die Bewertungsaspekte der KI-Entwicklung, einschließlich sowohl der gesellschaftlichen Aspekte eines KI-Produkts, als auch der Entwicklung einer Wertschätzung der potenziellen künftigen Richtungen, die KI einschlagen kann, wobei die Technologietrends berücksichtigt werden; sozial verantwortliche KI; Compliance sowie die Sicherstellung, dass das menschliche Element bei der Gestaltung, Entwicklung und Bewertung von KI-Systemen immer präsent ist.

Im Rahmen der Zukunft der KI wird eine Untersuchung des Grads der KI-Einführung in verschiedenen Branchen sowie der Frage diskutiert, wie KI für verschiedene Bereiche angepasst wird. Der Blick auf sozial verantwortliche KI beinhaltet, wie KI Einzelpersonen und verschiedene Gruppen in der Gesellschaft beeinflusst. Und als wesentlicher Bestandteil des Moduls werden Gesetze, Richtlinien und Verhaltenskodizes im Zusammenhang mit KI (mit Schwerpunkt auf Fragen wie Erklärbarkeit und Vertrauen) sowie Qualitätskontroll- und Qualitätsmanagementprozesse zur Bewertung der Ergebnisse von KI-Initiativen konzentriert.

Das Graduierungsmodul (Modul D) spiegelt das Kernprinzip des HCAIM-Programms wider, das auf dem Konzept des projektbasierten Lernens (PBL) basiert. Ziel dieses Moduls ist es, das Abschlussprojekt (ein professionelles Produkt) zentral im Lernverlauf des Schülers zu positionieren. Im Rahmen ihres Abschlussprojekts (Masterarbeit) zeigen die Studierenden, dass sie die von der Branche vorgeschlagenen Herausforderungen auf der Grundlage der aktuellen Bedürfnisse und Anforderungen unabhängig lösen können, wobei sowohl die technischen als auch die ethischen Aspekte des vorliegenden Problems berücksichtigt werden.

Jede Dissertation wird lokal betrachtet, mit einem internen Betreuer (ein Professor der Universität, in dem der Student den Abschluss verfolgt) und einem externen Betreuer der Partei, die die Abschlussarbeit vorschlägt (falls vorhanden). Dieser letztgenannte Aspekt wird, obwohl er nicht zwingend vorgeschrieben ist, konsequent verfolgt. Die vorschlagende Partei kann ein KMU, ein Exzellenzzentrum oder eine andere Universität sein, sowohl auf nationaler als auch auf internationaler Ebene. Von den vorschlagenden Parteien wird erwartet, dass sie sowohl nationale als auch internationale Abschlussarbeiten vorlegen (d. h. eine Abschlussarbeit, die mit einer Universität aus demselben Land oder aus einem Ausland organisiert wird).

• Thesis Thema Beispiel 1: Ausweichangriffe gegen ML-basierte Malware-Detektoren
• Thesis Thema Beispiel 2: PICO-ML: Pipeline Defined Computing und die Rolle der kontinuierlichen KI darin
• Thesis Thema Beispiel 3: Untersuchung von Bias in vortrainierten NLP-Modellen