Célunk, hogy létrehozzunk egy emberközpontú AI mesterképzést, a HCAIM Konzorcium az AI HLEG definícióját követi: „A mesterséges intelligenciával kapcsolatos emberközpontú megközelítés célja annak biztosítása, hogy az emberi értékek központi szerepet kapjanak a mesterségesintelligencia-rendszerek kifejlesztésében, bevezetésében, felhasználásában és nyomon követésében, biztosítva az alapvető jogok tiszteletben tartását.”

E meghatározás követelményeinek kielégítése érdekében a program a mesterséges intelligencia technikai, etikai és gyakorlati elemeire terjed ki. Tartalmunkat a MLOps életciklusának három fázisa köré terveztük – gépi tanulási modellek fejlesztése, telepítése és karbantartása, így három alapmodult állítunk elő a fent említett ML-Ops fázisokkal összhangban: Modellezés (A modul), telepítés (B modul) és értékelés (C modul). Hozzáadtunk egy negyedik modult (D) diploma, amely lehetővé teszi a diákok számára, hogy megmutassák, hogy képesek önállóan megoldani az iparág által javasolt kihívásokat az emberközpontú mesterséges intelligencia területének jelenlegi igényei és követelményei alapján.

Ezt az alábbi táblázat mutatja be.

Ez az oldal tartalmazza az összes tanulási eseményeket, amelyek az emberi központú mesterséges intelligencia mestert alkotják. Minden tanulási esemény, beleértve a kísérő tananyagokat is, angol nyelven lesz elérhető a HCAIM honlapján, és az Európai Unió eTranslation eszközével bármely uniós nyelvre lefordítható. Ezen az előnézeten az A modul egy tanulási eseménye, a B modul egy tanulási eseménye, a C modul két tanulási eseménye és a szakdolgozati útmutató, valamint két szakdolgozati téma már teljes mértékben elérhető ezen az előnézeti oldalon (és az Európai Unió eTranslation eszközével bármelyik uniós nyelvre lefordítható).

Emellett a HCAIM program programáttekintése, az „ A” modul tanulási célkitűzések, az óratervek A moduljának áttekintése, valamint az „Előadás – Bevezetés az emberközpontú mesterséges intelligenciába” című A. modul tanulási esemény már elérhető az EU valamennyi nyelvén ezen az előnézeti oldalon.  A HCAIM program ezen részeinek fordításához kérjük, válassza ki az oldal alján található nyelveket.

Az összes anyag elérhető a Creative Commons Attribution-NonCommercial-NoDerivates 4.0 licenc (CC BY-NC-ND 4.0) alatt.

Az első modul, nevezetesen a modellezés (A modul) a MLOps életciklusának első szakaszára összpontosít, és a gépi tanulás (ML) szervezetekben való alkalmazásának legalacsonyabb érettségi szintjéhez kapcsolódik: az adatok modellezése. Magában foglalja az ML alkalmazásának alapját képező tevékenységeket, például az adatkinyerést, az adatelemzést, az adatok előkészítését, a modellképzést és (főként manuális) modellhitelesítést és -értékelést.

Ebben a szakaszban a hangsúly az adatok helyes elemzésén és modellezésén van az üzleti célok elérése érdekében, és kevéssé használják fel az automatizálást (pl. CI/CD), amely csak a MLOps második szakaszában kerül hozzáadásra (telepítés – B modul). A modellezési tevékenységeket gyakran manuális, szkriptvezérelt és interaktív módszer jellemzi, amellyel az adatelemzést, előkészítést, modellképzést és validálást végzik. A kísérletezés alatt álló különböző modellek, paraméterek és választási lehetőségek áttekintéséhez a kísérletkövetést használjuk.

Etikai szempontból fontos, hogy a modellezési szakaszban elegendő időt és figyelmet fordítsunk az ügyfél céljainak megismerésére, az érdekelt felek feltérképezésére és annak feltárására, hogy ezek az érdekeltek milyen egyéni értékeket érintenek (és felismerjék a közöttük fennálló esetleges konfliktusokat). Ebben nagy jelentőséggel bírnak az olyan szempontok, mint az átláthatóság, a befogadás, a biztonság és a magánélet védelme. Természetesen figyelmet kell fordítani az ügyfél céljainak társadalmi és erkölcsi kívánatosságára is. Fontos továbbá, hogy a rendelkezésre álló adatokban (időben) tudatosítsuk a lehetséges elfogultságokat/előítéleteket, felismerjük ezen előítéletek lehetséges következményeit, és mérsékeljük ezeket az előítéleteket.

A modul telepítése (B modul) a MLOps fejlesztési ciklus második szakaszára összpontosít; a bevetés. A modellezés adatfeltáró fázisa (lásd A modul – Modellezés) után következik az ML megoldás integrálása az üzleti rendszerekbe. Most fontos, hogy elkezdjünk gondolkodni a ML architektúráról és arról, hogyan működik együtt a meglévő rendszerekkel (örökség). Az automatizált ML-megoldások valódi előnyeinek megtapasztalása érdekében csővezetékeket kell bevezetni; egyrészt a folyamatos és élő adatszolgáltatás (folyamatos feldolgozás) kezelése, másrészt az ML modell eredményeinek összekapcsolása más rendszerekkel.

Ezen túlmenően a B modul növeli a mesterségesintelligencia-technológia összetettségét azáltal, hogy a neurális hálózatok és a mélytanulás felé mozdul el. Ezeknek a komplexebb modelleknek az egyik legnagyobb előnye, hogy rugalmasabbak és sokoldalúbbak, mint az A modul – modellezés. Ezeknek a technikáknak azonban az a fontos hátránya, hogy összetettebbek (megérthetők és konfigurálhatók) és átlátszatlanok. Ebben fontos etikai dilemma rejlik a (fejlett) MI-technikák alkalmazásában: hogyan érti még mindig, hogy mit számít az MI-megoldás, és hogy ez a helyes módon történik-e? A mesterségesintelligencia-megoldások alkalmazásának átláthatóbbá tétele, valamint a lehetséges kockázatok meghatározásának és e kockázatok mérséklésének képessége fontos (társadalmi) témák ebben a modulban.

Az értékelési modul (C modul) a mesterségesintelligencia-fejlesztés értékelési szempontjaira összpontosít, beleértve a mesterségesintelligencia-termékek társadalmi szempontjait, valamint a mesterséges intelligencia lehetséges jövőbeli irányainak megbecsülését, a technológiai trendeket vizsgálva; társadalmilag felelős MI; megfelelés, valamint annak biztosítása, hogy az emberi elem mindig jelen legyen a mesterségesintelligencia-rendszerek tervezésében, fejlesztésében és értékelésében.

A mesterséges intelligencia jövőjének részeként megvitatják a mesterséges intelligencia elterjedésének szintjét a különböző iparágakban, valamint azt, hogy a mesterséges intelligenciát hogyan igazítják a különböző területekhez. A társadalmilag felelős MI vizsgálata magában foglalja, hogy a mesterséges intelligencia hogyan hat az egyénekre és a társadalom különböző csoportjaira. A modul kulcsfontosságú részeként a mesterséges intelligenciával kapcsolatos jogszabályokra, szakpolitikákra és magatartási kódexekre összpontosítanak (kiemelt hangsúlyt fektetve az olyan kérdésekre, mint a megmagyarázhatóság és a bizalom), valamint a minőség-ellenőrzési és minőségirányítási folyamatokra, hogy értékeljék az MI-kezdeményezések eredményeit.

A diploma modul (D modul) tükrözi a HCAIM program alapelvét, amely a projektalapú tanulás (PBL) koncepciójára épül. Ennek a modulnak az a célja, hogy az érettségi projektet (szakmai termék készítése) központilag helyezze el a hallgató tanulási pályáján. A diplomamunka részeként a hallgatók megmutatják, hogy képesek önállóan megoldani az iparág által javasolt kihívásokat a jelenlegi igények és követelmények alapján, figyelembe véve a szóban forgó kérdés technikai és etikai szempontjait.

Minden szakdolgozat helyileg tekinthető, egy belső felügyelővel (az egyetem professzora, ahol a hallgató folytatja a diplomát) és egy külső felügyelővel, amely a szakdolgozatot javasló félhez tartozik (ha van ilyen). Ez utóbbi szempontot, annak ellenére, hogy nem kötelező, szigorúan érvényesítik. A javaslattevő fél lehet kkv, kiválósági központ, vagy egy másik egyetem, mind nemzeti, mind nemzetközi szinten. A javaslattevő felektől elvárják, hogy mind a nemzeti, mind a nemzetközi disszertációt (azaz az azonos országból vagy külföldi egyetemmel szervezett szakdolgozatot) biztosítsák.

• Tézis Téma 1. példa: Csalási támadások az ML-alapú Malware Detectors ellen
• Tézis Téma 2. példa: PICO-ML: Csővezeték definiált számítástechnika és a folyamatos MI szerepe benne
• Tézis Téma 3. példa: Elfogultság vizsgálata előre kiképzett NLP modellekben