Ohjelman yleiskatsaus

Tavoitteenamme luoda ihmiskeskeinen AI-maisteriohjelma HCAIM-konsortio noudattaa AI HLEG: n määritelmää: ”Ihmiskeskeisellä lähestymistavalla tekoälyyn pyritään varmistamaan, että inhimilliset arvot ovat keskeisiä tekoälyjärjestelmien kehittämisessä, käyttöönotossa, käytössä ja seurannassa varmistamalla perusoikeuksien kunnioittaminen.”

Tämän määritelmän vaatimusten täyttämiseksi ohjelma kattaa tekoälyn tekniset, eettiset ja käytännön elementit. Olemme suunnitelleet sisältömme MLOpsin elinkaaren kolmen vaiheen – koneoppimismallien kehittämisen, käyttöönoton ja ylläpidon – ympärille, mikä tuottaa kolme ydinmoduulia edellä mainittujen ML-Ops-vaiheiden mukaisesti: Mallintaminen (moduuli A), käyttöönotto (moduuli B) ja arviointi (moduuli C). Olemme lisänneet neljännen moduulin (D) Graduation, jonka avulla opiskelijat voivat osoittaa, että he voivat itsenäisesti ratkaista teollisuuden ehdottamat haasteet nykyisten tarpeiden ja vaatimusten perusteella, jotka liittyvät ihmiskeskeisen tekoälyn alaan.

Tämä on visualisoitu alla olevassa taulukossa.

Moduuli A Moduuli B Moduuli C Moduuli D
Tekninen

Tekoälyn perusteet

 Edistyksellinen tekoäly:
Syväoppiminen		 Tulevaisuuden tekoäly

Pro gradu -projekti
Käytännöllinen AI-mallinnus AI toiminnassa:
Organisaatio AI		 Sosiaalisesti vastuullinen tekoäly
Eettinen Eettiset perusteet Luotettava tekoäly Vaatimustenmukaisuus, laillisuus ja inhimillisyys

Tällä sivulla on lyhyt kuvaus moduuleista, jotka on määritelty Human Centered Artificial Intelligence Master -ohjelmassa. Kaikki oppimistapahtumat, mukaan lukien niiden oheisoppimateriaali, ovat saatavilla Wikiwijsin HCAIM-sivustolla.

Oppimistapahtuman kuvaukset käännettiin kaikille EU:n 24 viralliselle kielelle käyttäen Euroopan unionin eTranslation-työkalua, ja ne ovat saatavilla kielille osoitetuista luetteloista. Huomaa, että käännökset eivät ole luennoitsijan tarkistamia.

Kaikki materiaalit ovat saatavilla Creative Commons Nimeä-EiKaupallinen-EiDerivates 4.0 -lisenssillä (CC BY-NC-ND 4.0)

Mallintaminen (moduuli A)

Ensimmäinen moduuli eli mallinnus (moduuli A) keskittyy MLOpsin elinkaaren ensimmäiseen vaiheeseen ja liittyy koneoppimisen (ML) soveltamisen alhaisimpaan kypsyystasoon organisaatioissa: tietojen mallintaminen. Siihen sisältyvät toimet, jotka muodostavat ML:n soveltamisen perustan, kuten tietojen poiminta, tietojen analysointi, tietojen valmistelu, mallikoulutus ja (lähinnä manuaalinen) mallin validointi ja arviointi.

Tässä vaiheessa keskitytään analysoimaan ja mallintamaan tietoja oikein liiketoiminnan tavoitteiden saavuttamiseksi, ja automaatiota (esim. CI/CD), joka lisätään vain MLOpsin toiseen vaiheeseen (käyttöönotto – moduuli B), käytetään vain vähän. Mallinnustoimille on usein ominaista manuaalinen, käsikirjoituslähtöinen ja interaktiivinen menetelmä, jolla tietojen analysointi, valmistelu, mallikoulutus ja validointi suoritetaan. Jotta ylläpidetään yleiskatsausta eri malleista, parametreista ja valinnoista, joita kokeillaan, käytetään kokeiluseurantaa.

Eettisestä näkökulmasta mallinnusvaiheessa on tärkeää käyttää riittävästi aikaa ja huomiota asiakkaan tavoitteiden selvittämiseen, sidosryhmien kartoittamiseen ja sen tutkimiseen, miten näiden sidosryhmien yksilölliset arvot vaikuttavat (ja tunnistaa mahdolliset ristiriidat). Avoimuuden, osallisuuden, turvallisuuden ja yksityisyyden kaltaisilla näkökohdilla on tässä suuri merkitys. Luonnollisesti on kiinnitettävä huomiota myös asiakkaan tavoitteiden sosiaaliseen ja moraaliseen toivottavuuteen. Lisäksi on tärkeää, että käytettävissä olevissa tiedoissa on (aikaisemmin) tietoisuus mahdollisista ennakkoluuloista tai ennakkoluuloista, tunnistettava ennakkoluulojen mahdolliset seuraukset ja löydettävä lievennyksiä näiden ennakkoluulojen käsittelemiseksi.

Oppimistulokset

  • Opiskelija arvioi erilaisia ML-tekniikoita tehdäkseen perustellun valinnan, joka vastaa asiakkaan hankkimia vaatimuksia ja toteuttaa valitun ML-tekniikan prototyypin neuvomaan tietyn tietomallinnusongelman ratkaisemisessa.
  • Oppimisen tulos 1
  • Opiskelija väittää, käyttäen perustavanlaatuisia eettisiä viitekehyksiä, miten moraaliset ongelmat voidaan ratkaista ja arvioida olemassa olevien vääristymien mahdollisia seurauksia tiedoissa ja suunniteltujen lieventämisten vaikutusta näiden vääristymien seurausten torjumiseksi.
  • Oppimisen tulos 2
  • Opiskelija soveltaa määrällisiä ja laadullisia tutkimusmenetelmiä tieteellisesti perustelemaan valintojaan eettisen pohdinnan ja prototyypin tekemisen aikana.
  • Oppimisen tulos 3

Käyttöönotto (moduuli B)

Moduulin käyttöönotto (moduuli B) keskittyy MLOps-kehityssyklin toiseen vaiheeseen. käyttöönottoon. Mallinnuksen tietokokeiluvaiheen jälkeen (ks. moduuli A – mallinnus) tulee ML-ratkaisun integrointi liiketoimintajärjestelmiin. Nyt on tärkeää alkaa miettiä ML-arkkitehtuuria ja sitä, miten se toimii yhdessä olemassa olevien järjestelmien kanssa (legacy). Jotta automatisoiduista ML-ratkaisuista saataisiin todellista hyötyä, on otettava käyttöön putkistot; yhtäältä kyetään käsittelemään jatkuvia ja eläviä tietolähteitä (stream processing) ja toisaalta kytkemään ML-mallin tulokset muihin järjestelmiin.

Lisäksi moduuli B parantaa tekoälyteknologian monimutkaisuutta siirtymällä kohti hermoverkkoja ja syväoppimista. Näiden monimutkaisempien mallien suuri etu on se, että ne ovat joustavampia ja monipuolisempia kuin moduulissa A – mallintaminen käyttöön otetut tekniikat. Näiden tekniikoiden tärkeitä haittoja ovat kuitenkin se, että ne ovat monimutkaisempia (ymmärtää ja konfiguroida) ja läpinäkymättömiä. Siinä piilee tärkeä eettinen ongelma (kehittyneiden) tekoälytekniikoiden käytössä: miten ymmärrät edelleen, mitä AI-ratkaisu laskee ja onko tämä tehty oikein? Tekoälyratkaisujen käyttöönoton läpinäkyvyyden lisääminen ja mahdollisten riskien määrittäminen ja niiden lieventäminen ovat tässä moduulissa tärkeitä (sosiaalisia) teemoja.

Oppimistulokset

  • Opiskelija arvioi kehittyneen tekoälytekniikan, kuten Deep- ja/tai Vahvistusoppimisen, integroinnin mahdollisia valintoja ja laatii yhden sivun raportin, joka perustuu kehitettyyn prototyyppiin ottaen huomioon asiakkaan olemassa olevien ICT-järjestelmien ja tietojärjestelmien rajoitukset ja vaikutukset, jotka on saatu yhteistyössä esimerkiksi ICT-arkkitehtien tai -kehittäjien kanssa.
  • Oppimisen tulos 1
  • Opiskelija arvioi mahdollisen riskin ja testaa valitun tekoälyn/ML:n toteutuksen läpinäkyvyyden (mukaan lukien tulkittavuus, toistettavuus ja selitettävyys) ja suunnittelee ratkaisuja käyttäen tekniikoita, jotka lisäävät sidosryhmien tietämystä ja läpinäkyvyyttä (ns. Explainable AI (XAI) -tekniikat) puutteiden korjaamiseksi verrattuna sosiaalisiin ja asiakaskohtaisiin vaatimuksiin.
  • Oppimisen tulos 2
  • Opiskelija muotoilee tutkimussuunnitelman tieteellisesti järkevälle (käytännönläheiselle) tutkimushankkeelle, joka liittyy yritystapaukseen muotoilemalla asiaankuuluvan, johdonmukaisen, toiminnallisen tutkimuskysymyksen, ottaen huomioon käytettävät sovelletut tutkimusmenetelmät ja luomalla tarkan, merkityksellisen ja kriittisen teoreettisen viitekehyksen.
  • Oppimisen tulos 3

Arviointi (moduuli C)

Arviointimoduulissa (moduuli C) keskitytään tekoälyn kehittämisen arviointinäkökohtiin, mukaan lukien sekä tekoälytuotteen yhteiskunnalliset näkökohdat että tekoälyn mahdollisten tulevien kehityssuuntien arvostuksen kehittämiseen, kun tarkastellaan teknologian suuntauksia; sosiaalisesti vastuullinen tekoäly; vaatimustenmukaisuus sekä sen varmistaminen, että inhimillinen elementti on jatkuvasti läsnä tekoälyjärjestelmien suunnittelussa, kehittämisessä ja arvioinnissa.

Osana tekoälyn tulevaisuutta keskustellaan tekoälyn käyttöönoton tason tutkimisesta eri toimialoilla sekä siitä, miten tekoälyä mukautetaan eri aloille. Sosiaalisesti vastuullisen tekoälyn tarkastelu sisältää sen, miten tekoäly vaikuttaa yksilöihin ja yhteiskunnan eri ryhmiin. Keskeisenä osana moduulia keskitytään tekoälyä koskeviin lakeihin, politiikkoihin ja käytännesääntöihin (painottaen esimerkiksi selitettävyyteen ja luottamukseen liittyviä kysymyksiä) sekä laadunvalvontaan ja laadunhallintaprosesseihin tekoälyaloitteiden tulosten arvioimiseksi.

Oppimistulokset

  • Opiskelija kehittää arvostusta tekoälyn ja koneoppimisen huippulähestymistavoista sekä ymmärrystä siitä, miten tekoälyä hyödynnetään eri aloilla ja miten arvioidaan tekoälyn mahdollisia suuntauksia tulevaisuudessa.
  • Oppimisen tulos 1
  • Opiskelija osoittaa hyvin määritellyn lähestymistavan seurausten skannaukseen, kun otetaan huomioon esimerkiksi uuden teknologian potentiaalisen vaikutuksen arviointi yksilöihin ja yhteiskuntaan keskittyen erityisesti vähemmistöihin ja syrjäytyneisiin ryhmiin sekä mahdolliset ympäristövaikutukset.
  • Oppimisen tulos 2
  • Opiskelija osoittaa kykynsä käyttää täysin nivellettyä tutkimusmetodologiaa, jossa on etiikka kaikissa vaiheissa, tietoisena erityisten lähestymistapojen kontekstuaalisesta luonteesta, jota olisi käytettävä, joka ilmoitetaan tämän moduulin kattamista tapaustutkimuksista.
  • Oppimisen tulos 3

Valmistuminen (moduuli D)

Valmistumismoduuli (moduuli D) heijastaa HCAIM-ohjelman ydinperiaatetta, joka perustuu projektipohjaisen oppimisen (PBL) käsitteeseen. Tämän moduulin tavoitteena on sijoittaa valmistumisprojekti (ammattimaisen tuotteen tekeminen) keskitetysti opiskelijan oppimispolkuun. Osana valmistumishanketta (maisteritutkielma) opiskelijat osoittavat, että he voivat itsenäisesti ratkaista alan ehdottamat haasteet nykyisten tarpeiden ja vaatimusten perusteella ottaen huomioon sekä tekniset että eettiset näkökohdat.

Jokaista opinnäytetyötä tarkastellaan paikallisesti, jossa on sisäinen ohjaaja (yliopiston professori, jossa opiskelija suorittaa tutkintoa) ja opinnäytetyötä ehdottavan tahon ulkoinen ohjaaja (jos sellainen on). Jälkimmäistä näkökohtaa, vaikka se ei ole pakollinen, jatketaan tiukasti. Ehdokkaana voi olla pk-yritys, osaamiskeskus tai muu yliopisto sekä kansallisella että kansainvälisellä tasolla. Ehdokkaiden odotetaan tarjoavan sekä kansallista että kansainvälistä opinnäytetyötä (ts. opinnäytetyö, joka järjestetään samasta maasta tai ulkomaisesta yliopistosta).

Oppimistulokset

  • Opiskelija tunnistaa ja heijastaa tekoälyn elinkaarta realistisessa, toimialatietoisessa kontekstissa ja erilaisissa paikoissa, skenaarioissa ja käyttötapauksissa.
  • Oppimisen tulos 1
  • Opiskelija osoittaa vankan ja pätevän tutkimusasenteen projektin avulla, jossa on hyvin määritelty tieteidenvälinen lähestymistapa, joka tuottaa teollisuuden kannalta olennaisia ja teknisesti päteviä ratkaisuja, samalla kun arvioidaan heidän työnsä mahdollisia vaikutuksia yksilöihin ja yhteiskuntaan.
  • Oppimisen tulos 2
  • Opiskelija osoittaa ammattimaisen asenteen viestinnässä asiaankuuluvien sidosryhmien (esim. mentorien, neuvonantajien, vertaisryhmien ja asiakkaiden) kanssa, analyyttisen asenteen, työeetoksen, suunnitteluosaamisen, proaktiivisuuden ja itsetuntemuksen.
  • Oppimisen tulos 3

Opinnäytetyön ohjeet

HCAIM Thesis Ehdotukset Ohjeet

 

Näiden suuntaviivojen tarkoituksena on tukea osapuolia, jotka aikovat ehdottaa uutta opinnäytetyötä.

HCAIM-tutkielmamalli

 

Katso HCAIM-tutkielmamalli täältä.

HCAIM-tutkielman eettiset ohjeet

 

Plagiointi, tietojen valmistus ja kuvankäsittely

Plagiointi ei ole hyväksyttävää. Plagiointi sisältää tekstin, ideoiden, kuvien tai tietojen kopioinnin toisesta lähteestä, mukaan lukien omat julkaisut, antamatta hyvitystä alkuperäiselle lähteelle.

Toisesta lähteestä kopioidun tekstin uudelleenkäytön on tapahduttava lainausmerkkien ja alkuperäisen lähteen välillä. Jos aiemmat tutkimukset ovat innoittaneet tutkimuksen suunnittelua tai käsikirjoituksen rakennetta tai kieltä, nämä tutkimukset on nimenomaisesti mainittava.

Kuvatiedostoja ei saa manipuloida tai säätää tavalla, joka voisi johtaa alkuperäisen kuvan sisältämien tietojen virheelliseen tulkintaan. Epäsäännöllinen manipulointi sisältää 1) käyttöönoton, parantamisen, siirtämisen tai poistamisen alkuperäisestä kuvasta, 2) erikseen esitettävien kuvien ryhmittelyn tai 3) kontrastin, kirkkauden tai väritasapainon muokkaamisen hämärtääkseen, poistaakseen tai parantaakseen joitakin tietoja.

Esitetyt tulokset eivät saa olla epäasianmukaisesti valittuja, manipuloituja, parannettuja tai valmistettuja. Tähän kuuluvat 1) tietopisteiden poissulkeminen päätelmien merkityksen lisäämiseksi, 2) tietojen valmistaminen, 3) sellaisten tulosten valinta, jotka tukevat tiettyä päätelmää ristiriitaisten tietojen kustannuksella, 4) analyysivälineiden tai -menetelmien tarkoituksellinen valinta tietyn päätelmän tueksi (mukaan lukien phacking).

Ihmisen aiheisiin, eläimiin tai kasveihin liittyvä tutkimus

Raportoidessaan ihmisistä, ihmisaineistosta, ihmiskudoksista tai ihmistiedoista tehdystä tutkimuksesta ehdotuksen tekijän on varmistettava, että tutkimukset suoritettiin vuonna 1975 tarkistetun Helsingin julistuksen sääntöjen mukaisesti. Kaikki seuraukset, jotka liittyvät tämän näkökohdan rikkomiseen, luetaan täysin ehdotuksen tekijän eikä HCAIM-konsortion eikä opiskelijan syyksi.

Opinnäytteet, jotka toimivat solulinjojen kanssa, ilmoittavat kaikkien solulinjojen alkuperän. Vakiintuneista solulinjoista on ilmoitettava lähtöisyys ja viitattava myös julkaistuun paperiin tai kaupalliseen lähteeseen. Jos käytetään aiemmin julkaisemattomia de novo -solulinjoja, mukaan lukien toisesta laboratoriosta saadut, on annettava yksityiskohtaiset tiedot institutionaalisesta arviointilautakunnasta tai eettisestä komiteasta ja vahvistettava kirjallinen tietoon perustuva suostumus, jos linja on peräisin ihmisestä.

Kaikki aiheet, jotka mahdollisesti johtuvat eläimistä aiheuttaneista tutkimuksista, ovat kiellettyjä. Kaikkia ihmisiin sovellettavia ohjeita on noudatettava (mahdollisuuksien mukaan) myös eläinten osalta.

Kasvien (joko viljeltyjen tai luonnonvaraisten) kokeellisen tutkimuksen, mukaan lukien kasviaineiston kerääminen, on oltava institutionaalisten, kansallisten tai kansainvälisten ohjeiden mukaista. Suosittelemme, että nämä opinnäytteet noudattavat biologista monimuotoisuutta koskevaa yleissopimusta ja luonnonvaraisen eläimistön ja kasviston uhanalaisten lajien kauppaa koskevaa yleissopimusta.

Sukupuoli, sukupuoli, etnisyys, uskonto ja muut ennakkoluulot tutkimuksessa

Komiteaa kannustetaan noudattamaan ”Sex and Gender Equity in Research – SAGER – -ohjeita” ja ottamaan tarvittaessa huomioon sukupuoli- ja sukupuolinäkökohdat. Termejä sukupuoli (biologinen ominaispiirre) ja sukupuoli (sosiaaliset ja kulttuuriset olosuhteet) olisi käytettävä huolellisesti sekaannusten välttämiseksi. Tutkielmassa olisi myös kuvailtava (taustassa) sitä, onko sukupuoli- ja/tai sukupuolieroja odotettavissa. raportoitava, miten sukupuoli ja/tai sukupuoli on otettu huomioon tutkimuksen suunnittelussa; toimitettava tarvittaessa sukupuolen ja/tai sukupuolen mukaan eritellyt tiedot; ja keskustella vastaavista tuloksista. Jos sukupuoli- ja/tai sukupuolianalyysiä ei ole tehty, perustelut olisi esitettävä keskustelussa.

Samanlaisia näkökohtia sovelletaan kaikkiin muihin puolueellisuuden muotoihin, mukaan lukien (eikä rajoittuen) etnisyyteen ja uskontoon. Ensinnäkin muistutamme, että ihmisillä ei ole rotuja, vaan vain etnistä alkuperää.

Jos diplomityössä keskitytään puolueellisuuteen, sen taustalla oleva syy on selkeytettävä alusta alkaen.

Eturistiriita

Opiskelijan on vältettävä tekemästä sopimuksia opintojen sponsoreiden, sekä voittoa tavoittelemattomien että voittoa tavoittelemattomien, kanssa, jotka häiritsevät pääsyä kaikkiin tutkimuksen tietoihin tai jotka häiritsevät heidän kykyään analysoida ja tulkita tietoja ja valmistella opinnäytetyö itsenäisesti, milloin ja missä he valitsevat.

Opiskelijan on tunnistettava ja ilmoitettava kaikki henkilökohtaiset olosuhteet tai kiinnostuksen kohteet, joiden voidaan katsoa vaikuttavan epäasianmukaisesti raportoitujen tutkimustulosten esittämiseen tai tulkintaan. Esimerkkejä mahdollisista eturistiriidoista ovat muun muassa taloudelliset edut (kuten jäsenyys, työllisyys, konsulttiyhtiöt, osakkeiden/osakkeiden omistus, kunnia, avustukset tai muu rahoitus, maksetut asiantuntijalausunnot ja patenttilisenssijärjestelyt) ja muut kuin taloudelliset edut (kuten henkilökohtaiset tai ammatilliset suhteet, sidossuhteet, henkilökohtaiset uskomukset).

Rahoittajien rooli tutkimuksen suunnittelussa, tietojen keräämisessä, analysoinnissa tai tulkinnassa, käsikirjoituksen kirjoittamisessa tai tulosten julkistamista koskevassa päätöksessä on ilmoitettava etukäteen.

Johdanto-osan viitteet

  • Opiskelijan tulee varmistaa, että jos aineisto on otettu muista lähteistä (myös omasta julkaistusta kirjoituksestaan), lähde mainitaan selkeästi ja siihen on tarvittaessa saatu lupa.
  • Opiskelijat eivät saa osallistua liialliseen itseviittaukseen omasta työstään.
  • Opiskelijoiden ei pidä kopioida viittauksia muista julkaisuista, jos he eivät ole lukeneet mainittua teosta.
  • Opiskelijoiden ei pitäisi ensisijaisesti mainita omia tai ystäviensä, vertaistensa tai oppilaitoksensa julkaisuja.
  • Opiskelijoiden ei pidä mainita mainoksia tai mainosmateriaalia.

Eettiset ohjeet arvioijille

Mahdolliset eturistiriidat

Arvioijia pyydetään ilmoittamaan HCAIM-lautakunnalle, jos heillä on eturistiriita, joka voi haitata tarkistusraporttia joko positiivisella tai kielteisellä tavalla. Hallitus tarkistaa mahdollisimman tarkasti ennen tarkastajien kutsumista; arvioijien yhteistyötä tässä asiassa odotetaan ja arvostetaan kuitenkin.

Luottamuksellisuus ja nimettömyys

Arvioijien on pidettävä opinnäytetyön sisältö, mukaan lukien abstrakti, luottamuksellisena. Heidän on ilmoitettava HCAIM-lautakunnalle, jos he haluavat kollegansa viimeistelevän arvioinnin heidän puolestaan.

Riskit Matrix ja Mitigation Plan HCAIM opinnäytteille

 

Tämän mallin avulla ohjaaja voi tukea opiskelijaa ongelmien tunnistamisessa ja ratkaisemisessa. Samaan aikaan opinnäytetyötä ehdottavaa osapuolta pyydetään laatimaan tämä malli.

Kaikki ehdotetun tutkimushankkeen loppuun saattamisen välitavoitteet ja suoritteet olisi sisällytettävä hankeehdotukseen. Opiskelijoiden on myös valmisteltava riskimatriisi, joka sisältää riskejä, jotka saattavat vaarantaa näiden suoritteiden saavuttamisen, ja tarjoamaan valmiussuunnitelmia kuvattujen riskien lieventämiseksi. Alla on esimerkki riskimatriisista ja vähentämissuunnitelmasta. Ota tarvittaessa mukaan lisäriskejä:

Riski Vakavuus Todennäköisyys Lieventäminen
Kohdetietojen kerääminen epäonnistui ajoissa Korkea Matala Projekti alkaa tutkia avoimesti käytettävissä olevia resursseja. Tutkia vaihtoehtoja hankkia synteettistä tai ennalta saatavilla olevaa julkista dataa, joka on samanlainen kuin kohdedata.
Resurssien riittämätön rahoitus Keskikokoinen Keskikokoinen Vaihtoehtoisia rahoituslähteitä etsitään.
Tutkimus/Projektin tavoitteet liian kunnianhimoisia Keskikokoinen Matala Arvioi säännöllisesti projektin tavoitteita ja laillistaa projektin tulokset arviointiprosessin perusteella.
(Liian) Suuri määrä

lisäkoulutusta tarvitaan 		Keskikokoinen Matala Ennakkohyväksyntä otetaan. Hankkeen tavoitteet päivitetään tähän lisäkoulutukseen käytetyn ajan ja resurssien perusteella.
Tietojen menetys Keskikokoinen Matala Opiskelija noudattaa asianmukaisia varmuuskopiointimenettelyjä riskien minimoimiseksi.

Esimerkkejä opinnäytetyön aiheista





















Siirry sisältöön

Skip to content

Privacy Policy - Terms and Conditions