Στο στόχο μας να δημιουργήσουμε ένα πρόγραμμα Human-Centred AI Master’s, η Κοινοπραξία HCAIM ακολουθεί τον ορισμό της AI HLEG: «Η ανθρωποκεντρική προσέγγιση της ΤΝ προσπαθεί να διασφαλίσει ότι οι ανθρώπινες αξίες έχουν κεντρική σημασία για τον τρόπο με τον οποίο αναπτύσσονται, αναπτύσσονται, χρησιμοποιούνται και παρακολουθούνται τα συστήματα ΤΝ, διασφαλίζοντας τον σεβασμό των θεμελιωδών δικαιωμάτων.»

Για να ανταποκριθεί στις απαιτήσεις αυτού του ορισμού, το πρόγραμμα καλύπτει τα τεχνικά, δεοντολογικά και πρακτικά στοιχεία της τεχνητής νοημοσύνης. Έχουμε σχεδιάσει το περιεχόμενό μας γύρω από τις τρεις φάσεις του κύκλου ζωής των MLOps — ανάπτυξη, εγκατάσταση και συντήρηση μοντέλων μηχανικής μάθησης, δημιουργώντας έτσι τρεις βασικές ενότητες σε ευθυγράμμιση με τις προαναφερθείσες φάσεις ML-Ops: Μοντελοποίηση (Ενότητα Α), Ανάπτυξη (Ενότητα Β) και Αξιολόγηση (Ενότητα Γ). Έχουμε προσθέσει μια τέταρτη ενότητα (Δ) Αποφοίτηση, για να επιτρέψει στους μαθητές να αποδείξουν ότι μπορούν να λύσουν ανεξάρτητα τις προκλήσεις που προτείνονται από τη βιομηχανία με βάση τις τρέχουσες ανάγκες και απαιτήσεις που σχετίζονται με τον τομέα της ανθρωποκεντρικής τεχνητής νοημοσύνης.

Αυτό απεικονίζεται στον παρακάτω πίνακα.

Αυτή η σελίδα περιέχει όλα τα Εκπαιδευτικά Γεγονότα που απαρτίζουν τον Δάσκαλο Τεχνητής Νοημοσύνης. Όλες οι εκδηλώσεις μάθησης, συμπεριλαμβανομένου του συνοδευτικού μελετητικού υλικού τους, θα είναι διαθέσιμες στην αγγλική γλώσσα στον δικτυακό τόπο του HCAIM και μπορούν να μεταφραστούν σε οποιαδήποτε από τις γλώσσες της ΕΕ χρησιμοποιώντας το εργαλείο eTranslation της Ευρωπαϊκής Ένωσης. Για τους σκοπούς της παρούσας προεπισκόπησης μία Εκδήλωση Μάθησης της Ενότητας Α, μία Εκδήλωση Μάθησης της Ενότητας Β, δύο Εκδηλώσεις Μάθησης της Ενότητας Γ και οι Κατευθυντήριες Γραμμές για τη Διατριβή, καθώς και δύο παραδείγματα θεμάτων διατριβής είναι ήδη πλήρως διαθέσιμα στα Αγγλικά στην παρούσα σελίδα προεπισκόπησης (και μπορούν να μεταφραστούν σε οποιαδήποτε από τις γλώσσες της ΕΕ χρησιμοποιώντας το εργαλείο ηλεκτρονικής μετάφρασης της Ευρωπαϊκής Ένωσης).

Επιπλέον, η επισκόπηση του προγράμματος HCAIM, η ενότητα Α μαθησιακοί στόχοι, η ενότητα Α επισκόπηση των προγραμμάτων μαθημάτων, καθώς και η ενότητα A Εκδήλωση μάθησης «Διάλεξη — Εισαγωγή στην ανθρωποκεντρική ΤΝ» είναι ήδη διαθέσιμα σε όλες τις γλώσσες της ΕΕ μέσω αυτής της σελίδας προεπισκόπησης.  Για να δείτε τις μεταφράσεις αυτών των τμημάτων του προγράμματος HCAIM, επιλέξτε οποιαδήποτε από τις επιμέρους γλώσσες στο κάτω μέρος αυτής της σελίδας.

Όλα τα υλικά είναι διαθέσιμα υπό άδεια Creative Commons Attribution-NonCommercial-NoDerivates 4.0 (CC BY-NC-ND 4.0)

Η πρώτη ενότητα, δηλαδή η μοντελοποίηση (ενότητα Α), επικεντρώνεται στην πρώτη φάση του κύκλου ζωής των MLOps και σχετίζεται με το χαμηλότερο επίπεδο ωριμότητας της εφαρμογής της μηχανικής μάθησης (ML) σε οργανισμούς: δεδομένα μοντελοποίησης. Περιλαμβάνει τις δραστηριότητες που αποτελούν τη βάση της εφαρμογής του ML, όπως η εξαγωγή δεδομένων, η ανάλυση δεδομένων, η προετοιμασία δεδομένων, η κατάρτιση μοντέλων και (κυρίως το εγχειρίδιο) επικύρωση και αξιολόγηση μοντέλων.

Σε αυτό το στάδιο, δίνεται έμφαση στην ορθή ανάλυση και μοντελοποίηση των δεδομένων για την επίτευξη των επιχειρηματικών στόχων και ελάχιστη χρήση της αυτοματοποίησης (π.χ. CI/CD), η οποία προστίθεται μόνο στη δεύτερη φάση των MLOps (Ανάπτυξη — Ενότητα Β). Οι δραστηριότητες μοντελοποίησης συχνά χαρακτηρίζονται από τη χειροκίνητη, καθοδηγούμενη από σενάριο και διαδραστική μέθοδο με την οποία πραγματοποιείται η ανάλυση δεδομένων, η προετοιμασία, η κατάρτιση μοντέλων και η επικύρωση. Για να διατηρηθεί μια επισκόπηση των διαφορετικών μοντέλων, παραμέτρων και επιλογών που πειραματίζονται, χρησιμοποιείται η παρακολούθηση πειραμάτων.

Από δεοντολογικής πλευράς, είναι σημαντικό κατά τη φάση της μοντελοποίησης να αφιερώνεται επαρκής χρόνος και προσοχή στην εξεύρεση των στόχων του πελάτη, στη χαρτογράφηση των ενδιαφερόμενων μερών και στη διερεύνηση του τρόπου με τον οποίο επηρεάζονται οι επιμέρους αξίες αυτών των ενδιαφερόμενων μερών (και αναγνωρίζοντας πιθανές συγκρούσεις μεταξύ τους). Πτυχές όπως η διαφάνεια, η ένταξη, η ασφάλεια και η προστασία της ιδιωτικής ζωής έχουν μεγάλη σημασία σε αυτό. Φυσικά, πρέπει επίσης να δοθεί προσοχή στην κοινωνική και ηθική επιθυμία των στόχων του πελάτη. Επιπλέον, είναι σημαντικό να έχουμε (έγκαιρη) επίγνωση των πιθανών προκαταλήψεων/προκατάληψης στα διαθέσιμα δεδομένα, να αναγνωρίσουμε τις πιθανές συνέπειες αυτών των προκαταλήψεων και να βρούμε τρόπους μετριασμού για την αντιμετώπιση αυτών των προκαταλήψεων.

Η ενότητα Ανάπτυξη (ενότητα Β) επικεντρώνεται στη δεύτερη φάση του κύκλου ανάπτυξης MLOps· η ανάπτυξη. Μετά τη φάση διερεύνησης δεδομένων της μοντελοποίησης (βλέπε Ενότητα Α — Μοντελοποίηση), έρχεται η ενσωμάτωση της λύσης ML στα επιχειρηματικά συστήματα. Είναι πλέον σημαντικό να αρχίσουμε να σκεφτόμαστε την αρχιτεκτονική ML και πώς λειτουργεί μαζί με τα υπάρχοντα συστήματα (κληρονομιά). Για να αποκομιστούν πραγματικά οφέλη από τις αυτοματοποιημένες λύσεις ML, πρέπει να εισαχθούν αγωγοί· αφενός, να είναι σε θέση να ασχοληθεί με τις συνεχείς και ζωντανές προμήθειες δεδομένων (επεξεργασία ροής) και, αφετέρου, να συνδέσει τα αποτελέσματα του μοντέλου ML με άλλα συστήματα.

Επιπλέον, η ενότητα Β ενισχύει την πολυπλοκότητα της τεχνολογίας ΤΝ, προχωρώντας προς (τη χρήση) νευρωνικών δικτύων και βαθιάς μάθησης. Ένα σημαντικό πλεονέκτημα αυτών των πιο σύνθετων μοντέλων είναι ότι είναι πιο ευέλικτα και ευέλικτα από τις τεχνικές που εισάγονται στην ενότητα Α — Μοντελοποίηση. Ωστόσο, τα σημαντικά μειονεκτήματα αυτών των τεχνικών είναι ότι είναι πιο σύνθετες (να κατανοήσουν και να διαμορφώσουν) και αδιαφανείς. Εκεί βρίσκεται ένα σημαντικό ηθικό δίλημμα στη χρήση (προηγμένων) τεχνικών τεχνητής νοημοσύνης: πώς μπορείτε ακόμα να καταλάβετε τι υπολογίζει η λύση ΤΝ και αν αυτό γίνεται με τον σωστό τρόπο. Η αύξηση της διαφάνειας της ανάπτυξης λύσεων ΤΝ και η δυνατότητα προσδιορισμού των πιθανών κινδύνων και μετριασμού αυτών των κινδύνων αποτελούν σημαντικά (κοινωνικά) θέματα στην παρούσα ενότητα.

Η ενότητα αξιολόγησης (ενότητα Γ) επικεντρώνεται στις πτυχές της αξιολόγησης της ανάπτυξης της ΤΝ, συμπεριλαμβανομένων τόσο των κοινωνικών πτυχών ενός προϊόντος ΤΝ, όσο και της ανάπτυξης εκτίμησης των πιθανών μελλοντικών κατευθύνσεων που μπορεί να λάβει η ΤΝ, εξετάζοντας τις τεχνολογικές τάσεις· κοινωνικά υπεύθυνη ΤΝ· συμμόρφωση, καθώς και διασφάλιση ότι το ανθρώπινο στοιχείο είναι πάντα παρόν στον σχεδιασμό, την ανάπτυξη και την αξιολόγηση των συστημάτων τεχνητής νοημοσύνης.

Στο πλαίσιο του μέλλοντος της ΤΝ, συζητείται η διερεύνηση του επιπέδου υιοθέτησης της ΤΝ σε διάφορους κλάδους, καθώς και ο τρόπος προσαρμογής της ΤΝ σε διαφορετικούς τομείς. Η εξέταση της κοινωνικά υπεύθυνης τεχνητής νοημοσύνης περιλαμβάνει τον τρόπο με τον οποίο η ΤΝ επηρεάζει τα άτομα και τις διαφορετικές ομάδες στην κοινωνία. Και ως κρίσιμο μέρος της ενότητας, δίνεται έμφαση στους νόμους, τις πολιτικές και τους κώδικες δεοντολογίας που σχετίζονται με την ΤΝ (με έμφαση σε ζητήματα όπως η εξηγησιμότητα και η εμπιστοσύνη), καθώς και οι διαδικασίες ποιοτικού ελέγχου και διαχείρισης της ποιότητας, για την αξιολόγηση των αποτελεσμάτων των πρωτοβουλιών ΤΝ.

Η ενότητα αποφοίτησης (ενότητα Δ) αντικατοπτρίζει τη βασική αρχή του προγράμματος HCAIM που βασίζεται στην έννοια της μάθησης βάσει έργων (PBL). Ο στόχος αυτής της ενότητας είναι να τοποθετήσει το έργο αποφοίτησης (κάνοντας ένα επαγγελματικό προϊόν) κεντρικά στην πορεία μάθησης του μαθητή. Στο πλαίσιο του προγράμματος αποφοίτησής τους (η μεταπτυχιακή διατριβή), οι μαθητές δείχνουν ότι μπορούν να λύσουν ανεξάρτητα τις προκλήσεις που προτείνονται από τη βιομηχανία με βάση τις τρέχουσες ανάγκες και απαιτήσεις, λαμβάνοντας υπόψη τόσο τις τεχνικές όσο και τις δεοντολογικές πτυχές του συγκεκριμένου ζητήματος.

Κάθε διατριβή θεωρείται τοπικά, με έναν εσωτερικό επόπτη (καθηγητή από το Πανεπιστήμιο στο οποίο ο φοιτητής επιδιώκει το πτυχίο) και έναν εξωτερικό επόπτη που ανήκει στο κόμμα που προτείνει τη διατριβή (εάν υπάρχει). Η τελευταία αυτή πτυχή, παρά το γεγονός ότι δεν είναι υποχρεωτική, επιδιώκεται αυστηρά. Το προτείνον κόμμα μπορεί να είναι ΜΜΕ, Κέντρο Αριστείας ή άλλο Πανεπιστήμιο, τόσο σε εθνικό όσο και σε διεθνές επίπεδο. Τα προτείνοντα κόμματα αναμένεται να παράσχουν τόσο εθνική όσο και διεθνή διατριβή (π.χ. διατριβή που διοργανώνεται με Πανεπιστήμιο από την ίδια χώρα ή από αλλοδαπό).

• Θέμα Διατριβής Παράδειγμα 1: Επιθέσεις φοροδιαφυγής εναντίον ανιχνευτών κακόβουλου λογισμικού με βάση το ML
• Θέμα Διατριβής Παράδειγμα 2: PICO-ML: Pipe Defined Computing και ο ρόλος της συνεχούς τεχνητής νοημοσύνης σε αυτό
• Θέμα Διατριβής Παράδειγμα 3: Διερεύνηση προκαταλήψεων σε προ-εκπαιδευμένα μοντέλα NLP