Programos apžvalga

Mūsų tikslas sukurti į žmogų orientuotą AI magistro programą, HCAIM konsorciumas vadovaujasi AI HLEG apibrėžtimi: „Į žmogų orientuotu požiūriu į DI siekiama užtikrinti, kad žmogaus vertybės būtų itin svarbios kuriant, diegiant, naudojant ir stebint DI sistemas, užtikrinant pagarbą pagrindinėms teisėms.

Siekiant atsakyti į šios apibrėžties reikalavimus, programa apima techninius, etinius ir praktinius dirbtinio intelekto elementus. Mes sukūrėme savo turinį pagal tris MLOps gyvavimo ciklo etapus – mašinų mokymosi modelių kūrimą, diegimą ir priežiūrą, taip sukurdami tris pagrindinius modulius, atitinkančius pirmiau minėtus ML-Ops etapus: Modeliavimas (A modulis), diegimas (B modulis) ir vertinimas (C modulis). Mes pridėjome ketvirtąjį modulį (D) baigimą, kad studentai galėtų parodyti, kad jie gali savarankiškai spręsti pramonės pasiūlytus iššūkius, pagrįstus dabartiniais poreikiais ir reikalavimais, susijusiais su į žmogų orientuoto dirbtinio intelekto sritimi.

Tai pavaizduota žemiau esančioje lentelėje.

A modulis B modulis C modulis D modulis
Techninė

Dirbtinio intelekto pagrindai

Išplėstinė AI:
Gilus mokymasis
Ateities DI

Magistro disertacijos projektas

Praktiškas Ai modeliavimas Dirbtinis intelektas Veikla:
Organizacinis dirbtinis intelektas
Socialiai atsakingas dirbtinis intelektas
Etika Etikos pagrindai Patikimas dirbtinis intelektas Atitiktis, teisėtumas ir humaniškumas

Šiame puslapyje pateikiamas trumpas modulių, apibrėžtų Žmogiškojo centro dirbtinio intelekto meistre, aprašymas. Visi mokymosi renginiai, įskaitant jų gretutinę studijų medžiagą, yra prieinami Wikiwijs interneto svetainėje HCAIM.

Mokymosi renginių aprašymai buvo išversti į visas 24 oficialiąsias ES kalbas naudojant Europos Sąjungos priemonę „eTranslation“ ir pateikiami iš kalboms priskirtų sąrašų. Atkreipkite dėmesį, kad vertimų netikrina nė vienas dėstytojas.

Visa medžiaga yra prieinama pagal Creative Commons Attribution-NonCommercial-NoDerivates 4.0 licenciją (CC BY-NC-ND 4.0).

 

Modeliavimas (A modulis)

Pirmasis modulis, t. y. modeliavimas (A modulis), orientuotas į pirmąjį MLOps gyvavimo ciklo etapą ir yra susijęs su žemiausiu Mašininio mokymosi (ML) taikymo organizacijose brandos lygiu: modeliavimo duomenys. Ji apima veiklą, kuria grindžiamas ML taikymas, pavyzdžiui, duomenų gavimą, duomenų analizę, duomenų rengimą, modelių mokymą ir (daugiausia rankinį) modelio patvirtinimą ir vertinimą.

Šiame etape daugiausia dėmesio skiriama teisingam duomenų analizei ir modeliavimui, kad būtų pasiekti verslo tikslai, ir mažai naudojamasi automatizavimu (pvz., CI/CD), kuris pridedamas tik antrajame MLOps etape (įdiegimas – B modulis). Modeliavimo veiklai dažnai būdingas vadovas, scenarijus ir interaktyvus metodas, pagal kurį atliekama duomenų analizė, rengimas, modelio mokymas ir patvirtinimas. Siekiant išlaikyti skirtingų modelių, parametrų ir pasirinkimų, su kuriais eksperimentuojama, apžvalgą, naudojamas eksperimentų stebėjimas.

Etiniu požiūriu svarbu modeliavimo etape skirti pakankamai laiko ir dėmesio kliento tikslams išsiaiškinti, suinteresuotosioms šalims nustatyti ir ištirti, kaip paveikiamos individualios šių suinteresuotųjų šalių vertybės (ir pripažinti galimus jų tarpusavio konfliktus). Šiuo požiūriu labai svarbūs tokie aspektai kaip skaidrumas, įtrauktis, saugumas ir privatumas. Žinoma, taip pat reikia atkreipti dėmesį į kliento tikslų socialinį ir moralinį troškimą. Be to, svarbu (laiku) žinoti apie galimus šališkumus ir (arba) išankstines išvadas turimuose duomenyse, atpažinti galimas šių išankstinių nuostatų pasekmes ir rasti jų sušvelninimo priemones, kad būtų galima pašalinti šiuos išankstinius nusistatymus.

Mokymosi rezultatai

  • Studentas įvertina įvairius ML metodus, kad padarytų pagrįstą pasirinkimą, atitinkantį įsigytus kliento reikalavimus ir įdiegdamas pasirinktos ML technikos prototipą, kad patartų sprendžiant tam tikrą duomenų modeliavimo problemą.
  • Mokymosi rezultatai 1
  • Studentas teigia, naudojant pagrindines etikos sistemas, kaip moralinės dilemos gali būti išspręsta ir įvertina galimas pasekmes esamų šališkumo duomenų ir suplanuotų švelninimo poveikį neutralizuoti šių šališkumo pasekmes.
  • Mokymosi rezultatai 2
  • Studentas taiko kiekybinius ir kokybinius tyrimo metodus, kad moksliškai pagrįstų savo pasirinkimus etinio (-ų) svarstymo (-ų) ir prototipo kūrimo metu.
  • Mokymosi rezultatai 3

Diegimas (B modulis)

Modulio diegimas (B modulis) orientuotas į antrąjį MLOps kūrimo ciklo etapą; dislokavimas. Po tiriamojo modeliavimo etapo (žr. A modulį – modeliavimas) ML sprendimas integruojamas į verslo sistemas. Dabar svarbu pradėti galvoti apie ML architektūrą ir tai, kaip ji veikia kartu su esamomis sistemomis (istorija). Siekiant realios naudos iš automatizuotų ML sprendimų, reikia įdiegti vamzdynus; viena vertus, gebėti tvarkyti nuolatinį ir tiesioginį duomenų teikimą (srautinis apdorojimas) ir, kita vertus, susieti ML modelio rezultatus su kitomis sistemomis.

Be to, B modulis padidina dirbtinio intelekto technologijų sudėtingumą pereinant prie neuroninių tinklų (naudojimosi) ir gilaus mokymosi. Pagrindinis šių sudėtingesnių modelių privalumas yra tas, kad jie yra lankstesni ir universalesni nei metodai, kuriuos pateikia A modulis – modeliavimas. Tačiau svarbūs šių metodų trūkumai yra tai, kad jie yra sudėtingesni (suprasti ir konfigūruoti) ir nepermatomi. Čia kyla svarbi etinė dilema, susijusi su (pažangių) DI metodų naudojimu: kaip jūs vis dar suprantate, ką apskaičiuoja DI sprendimas ir ar tai daroma teisingai? Šiame modulyje svarbios (socialinės) temos yra užtikrinti skaidresnį dirbtinio intelekto sprendimų diegimą ir gebėjimą nustatyti galimą riziką bei sumažinti šią riziką.

Mokymosi rezultatai

  • Studentas įvertina galimus pasirinkimus integruoti pažangią DI techniką, pavyzdžiui, gilų ir (arba) sustiprintą mokymąsi, o autoriai – vieno puslapio ataskaitą, pagrįstą prototipu, kuris buvo sukurtas atsižvelgiant į kliento esamų IRT sistemų ir duomenų įrenginių apribojimus ir įtaką, kuri buvo gauta bendradarbiaujant, pavyzdžiui, su IRT architektais ar kūrėjais.
  • Mokymosi rezultatai 1
  • Studentas įvertina galimą susijusią riziką ir išbando pasirinkto dirbtinio intelekto/ML įgyvendinimo skaidrumo laipsnį (įskaitant suprantamumą, atkuriamumą ir paaiškinamumą) ir kuria sprendimus, naudodamas metodus, kurie padidina suinteresuotųjų šalių įžvalgą ir skaidrumą (vadinamieji paaiškinamojo DI (XAI) metodai), kad būtų pašalinti trūkumai šioje srityje, palyginti su socialiniais ir konkrečiais klientų reikalavimais.
  • Mokymosi rezultatai 2
  • Studentas formuoja mokslinių tyrimų projektą moksliškai pagrįstam (į praktiką orientuotam) mokslinių tyrimų projektui, susijusiam su įmonės atveju, formuluodamas atitinkamą, nuoseklų, funkcinį mokslinių tyrimų klausimą, atsižvelgiant į naudojamus taikomuosius tyrimo metodus ir nustatant tikslią, aktualią ir kritinę teorinę sistemą.
  • Mokymosi rezultatai 3

Vertinimas (C modulis)

Vertinimo modulyje (C modulis) daugiausia dėmesio skiriama dirbtinio intelekto kūrimo vertinimo aspektams, įskaitant tiek socialinius dirbtinio intelekto produkto aspektus, tiek galimų ateities krypčių, kurių gali imtis dirbtinis intelektas, vertinimą, atsižvelgiant į technologijų tendencijas; socialiai atsakingas dirbtinis intelektas; atitiktis, taip pat užtikrinimas, kad žmogaus elementas visada būtų DI sistemų projektavimo, kūrimo ir vertinimo procese.

Kalbant apie dirbtinio intelekto ateitį, aptariamas dirbtinio intelekto pritaikymo įvairiose pramonės šakose lygis ir tai, kaip dirbtinis intelektas pritaikomas skirtingoms sritims. Žvelgiant į socialiai atsakingą DI, atsižvelgiama į tai, kaip dirbtinis intelektas veikia asmenis ir skirtingas visuomenės grupes. Be to, kaip esminė modulio dalis, daugiausia dėmesio skiriama su dirbtiniu intelektu susijusiems įstatymams, politikai ir elgesio kodeksams (daugiausia dėmesio skiriant tokiems klausimams kaip paaiškinamumas ir pasitikėjimas), taip pat kokybės kontrolei ir kokybės valdymo procesams, siekiant įvertinti dirbtinio intelekto iniciatyvų rezultatus.

Mokymosi rezultatai

  • Studentas plėtoja pažangiausius dirbtinio intelekto ir mašinų mokymosi metodus, taip pat supratimą, kaip dirbtinis intelektas naudojamas įvairiose srityse, ir kaip įvertinti galimas kryptis, kuriomis dirbtinis intelektas gali eiti ateityje.
  • Mokymosi rezultatai 1
  • Studentas rodo gerai apibrėžtą požiūrį į pasekmių skenavimą, atsižvelgiant į tokius klausimus kaip galimo naujų technologijų poveikio asmenims ir visuomenei vertinimas, daugiausia dėmesio skiriant mažumoms ir marginalizuotoms grupėms, taip pat galimam poveikiui aplinkai.
  • Mokymosi rezultatai 2
  • Studentas demonstruoja gebėjimą naudoti visapusišką mokslinių tyrimų metodiką su etika, įtvirtinta visuose etapuose, suvokdamas konkrečių požiūrių, kurie turėtų būti naudojami, kontekstinį pobūdį, kuris bus informuotas šio modulio atvejų tyrimais.
  • Mokymosi rezultatai 3

Baigimas (D modulis)

Baigimo modulis (D modulis) atspindi pagrindinį HCAIM programos principą, pagrįstą projektinio mokymosi koncepcija (PBL). Šio modulio tikslas yra išdėstyti baigimo projektą (profesinį produktą) centralizuotai studento mokymosi trajektorijoje. Kaip jų baigimo projekto (magistro disertacijos) dalis, studentai rodo, kad jie gali savarankiškai spręsti pramonės pasiūlytus iššūkius, remdamiesi dabartiniais poreikiais ir reikalavimais, atsižvelgiant tiek į techninius, tiek į etinius šio klausimo aspektus.

Kiekvienas darbas svarstomas vietoje, su vidaus vadovu (universiteto, kuriame studentas siekia laipsnį, profesoriumi) ir išoriniu vadovu, priklausančiu disertaciją siūlančiai šaliai (jei yra). Pastarasis aspektas, nepaisant to, kad jis nėra privalomas, yra griežtai nagrinėjamas. Pasiūlymą teikianti šalis gali būti MVĮ, kompetencijos centras arba kitas universitetas tiek nacionaliniu, tiek tarptautiniu lygmeniu. Siūlančiosios šalys turėtų pateikti tiek nacionalinį, tiek tarptautinį disertaciją (t. y. disertaciją, organizuojamą su universitetu iš tos pačios šalies arba iš užsienio).

Mokymosi rezultatai

  • Studentas pripažįsta ir atspindi dirbtinio intelekto gyvavimo ciklą realistiškame, pramonės informuotame kontekste ir įvairiose vietose, scenarijuose ir naudojimo atvejais.
  • Mokymosi rezultatai 1
  • Studentas demonstruoja tvirtą ir pagrįstą mokslinių tyrimų požiūrį per projektą su gerai apibrėžtu tarpdisciplininiu požiūriu, gaminančiu pramonei svarbius ir technologiškai kompetentingus sprendimus, tuo pačiu įvertindamas galimą jų darbo poveikį asmenims ir visuomenei.
  • Mokymosi rezultatai 2
  • Studentas demonstruoja profesionalų požiūrį į bendravimą su atitinkamais suinteresuotaisiais subjektais (pvz., mentoriais, patarėjais, bendraamžiais ir klientais), analitinį požiūrį, darbo etiką, planavimo kompetenciją, aktyvumą ir savimonę.
  • Mokymosi rezultatai 3

Darbo gairės

HCAIM darbo pasiūlymų gairės

 

Šiomis gairėmis siekiama remti šalis, kurios ketina siūlyti naują darbą.

HCAIM disertacijos šablonas

 

HCAIM disertacijos šablonas čia.

Etikos gairės HCAIM tezės

 

Plagijavimas, duomenų kūrimas ir manipuliavimas įvaizdžiu

Plagijavimas yra nepriimtinas. Plagijavimas apima teksto, idėjų, vaizdų ar duomenų iš kito šaltinio, įskaitant jūsų publikacijas, kopijavimą, nesuteikiant kredito originaliam šaltiniui.

Pakartotinis teksto, nukopijuoto iš kito šaltinio, naudojimas turi būti tarp kabučių ir pradinio šaltinio. Jei ankstesni tyrimai įkvėpė tyrimo struktūrą arba rankraščio struktūrą ar kalbą, šie tyrimai turi būti aiškiai nurodyti.

Vaizdo rinkmenos negali būti manipuliuojamos ar koreguojamos taip, kad būtų galima neteisingai interpretuoti originaliame paveikslėlyje pateiktą informaciją. Netaisyklingas manipuliavimas apima 1) įdiegimą, patobulinimą, perkėlimą ar pašalinimą iš originalaus vaizdo, 2) vaizdų, kurie turėtų būti pateikiami atskirai, grupavimą arba 3) kontrasto, ryškumo ar spalvų balanso modifikavimą, kad būtų užtemdyta, pašalinta ar pagerinta tam tikra informacija.

Pateikti rezultatai neturi būti netinkamai parinkti, manipuliuoti, patobulinti ar pagaminti. Tai apima 1) duomenų taškų neįtraukimą siekiant padidinti išvadų svarbą, 2) duomenų parengimą, 3) rezultatų, kuriais pagrindžiama konkreti išvada prieštaringų duomenų sąskaita, atranką, 4) apgalvotą analizės priemonių ar metodų pasirinkimą tam tikrai išvadai pagrįsti (įskaitant p-hacking).

Moksliniai tyrimai, susiję su žmonėmis, gyvūnais ar augalais

Teikdama ataskaitas apie mokslinius tyrimus, susijusius su žmonėmis, žmogaus medžiaga, žmogaus audiniais ar duomenimis apie žmones, pasiūlymą teikianti šalis turi užtikrinti, kad tyrimai būtų atliekami laikantis 1975 m. Helsinkio deklaracijos taisyklių, patikslintų 2013 m. Visos pasekmės, susijusios su šio aspekto pažeidimu, bus visiškai priskirtos pasiūlymą pateikusiai šaliai ir nei HCAIM konsorciumui, nei studentui.

Tezės, dirbant su ląstelių linijomis, turėtų nurodyti bet kokių ląstelių linijų kilmę. Nustatytų ląstelių linijų atveju turėtų būti nurodyta kilmės vieta, taip pat turi būti pateiktos nuorodos į paskelbtą dokumentą arba komercinį šaltinį. Jei buvo naudojamos anksčiau nepaskelbtos de novo ląstelių linijos, įskaitant tas, kurios buvo padovanotos iš kitos laboratorijos, turi būti pateikta išsami informacija apie institucinę peržiūros komisiją arba etikos komiteto patvirtinimą, o jei linija yra žmogaus kilmės, turi būti pateiktas raštiško informuoto sutikimo patvirtinimas.

Visos temos, kurios gali būti išvestos iš bet kokių tyrimų, darančių žalą gyvūnams, yra draudžiamos. Gyvūnams taip pat turėtų būti taikomos visos žmonėms taikomos gairės (jei įmanoma).

Eksperimentiniai augalų (auginamų arba laukinių) moksliniai tyrimai, įskaitant augalinės medžiagos surinkimą, turi atitikti institucines, nacionalines ar tarptautines gaires. Rekomenduojame tezėms laikytis Biologinės įvairovės konvencijos ir Nykstančių laukinės faunos ir floros rūšių prekybos konvencijos.

Lytis, lytis, etniškumas, religija ir kitas šališkumas moksliniuose tyrimuose

Ji raginama vadovautis „Sex and Gender Equity in Research – SAGER“ gairėmis ir, kai tinkama, įtraukti lyčių ir lyčių aspektus. Terminai lytis (biologinis požymis) ir lytis (pagal socialines ir kultūrines aplinkybes) turėtų būti vartojami atsargiai, kad būtų išvengta painiavos abu terminus. Darbe taip pat turėtų būti aprašyta (pagrindinėje informacijoje), ar galima tikėtis lyties ir (arba) lyčių skirtumų; pranešti, kaip rengiant tyrimą buvo atsižvelgta į lytį ir (arba) lytį; prireikus pateikia suskirstytus duomenis pagal lytį ir (arba) lytį; ir aptarti atitinkamus rezultatus. Jei nebuvo atlikta lyties ir (arba) lyties analizė, loginis pagrindas turėtų būti pateiktas diskusijoje.

Panašios nuostatos taikomos visoms kitoms šališkumo formoms, įskaitant (bet neapsiribojant) etninę kilmę ir religiją. Dėl pirmojo, mes primename, kad žmonės neturi rasių, o tik etninės kilmės.

Jei darbas orientuotas į šališkumą, jo loginis pagrindas turi būti išaiškintas nuo pat pradžių.

Interesų konfliktas

Studentai turi vengti sudaryti sutartis su studijų rėmėjais, siekiančiais pelno ir ne pelno, kurie trukdo prieigai prie visų tyrimo duomenų arba kurie trukdo jų gebėjimui analizuoti ir interpretuoti duomenis ir savarankiškai parengti disertaciją, kada ir kur jie pasirenka.

Studentai turi nustatyti ir deklaruoti bet kokias asmenines aplinkybes ar interesus, kurie gali būti suvokiami kaip netinkamai įtakojantys pateiktų mokslinių tyrimų rezultatų atstovavimą ar aiškinimą. Galimų interesų konfliktų pavyzdžiai, be kita ko, yra finansiniai interesai (pavyzdžiui, narystė, užimtumas, konsultacinės įmonės, akcijų ir (arba) akcijų nuosavybė, honorarai, dotacijos ar kitas finansavimas, apmokami ekspertų parodymai ir patentų licencijavimo susitarimai) ir nefinansiniai interesai (pvz., asmeniniai ar profesiniai santykiai, priklausomybė, asmeniniai įsitikinimai).

Bet koks finansavimo rėmėjų vaidmuo rengiant tyrimą, renkant, analizuojant ar aiškinant duomenis, rašant rankraštį arba priimant sprendimą paskelbti rezultatus turi būti nurodytas iš anksto.

Citavimo politika

  • Studentai turėtų užtikrinti, kad tais atvejais, kai medžiaga yra paimta iš kitų šaltinių (įskaitant jų pačių paskelbtą rašymą), šaltinis būtų aiškiai nurodytas ir, jei reikia, būtų gautas leidimas.
  • Studentai neturėtų per daug reklamuoti savo darbo.
  • Studentai neturėtų kopijuoti nuorodų iš kitų leidinių, jei jie nėra skaitę cituojamo kūrinio.
  • Studentai neturėtų teikti pirmenybės savo ar savo draugų, bendraamžių ar institucijos publikacijoms.
  • Studentai neturėtų cituoti reklamos ar reklaminės medžiagos.

Etikos gairės recenzentams

Galimas interesų konfliktas

Vertintojų prašoma informuoti HCAIM valdybą, ar jie turi interesų konfliktą, kuris gali turėti neigiamos įtakos peržiūros ataskaitai, arba teigiamu, ar neigiamu būdu. Prieš kviesdama recenzentus, komisija kuo tiksliau patikrins; nepaisant to, tikimasi ir vertinamas vertintojų bendradarbiavimas šiuo klausimu.

Konfidencialumas ir anonimiškumas

Recenzentai turi saugoti darbo turinį, įskaitant abstraktų, konfidencialų. Jos privalo informuoti HCAIM valdybą, jei norėtų, kad jų vardu kolega užbaigtų peržiūrą.

HCAIM tezės rizikos matrica ir mažinimo planas

 

Šis šablonas leidžia vadovui padėti studentui nustatyti ir spręsti problemas. Tuo pačiu metu, disertaciją siūlanti šalis bus paprašyta parengti šį šabloną.

Į projekto pasiūlymą turėtų būti įtrauktivisi siūlomo mokslinių tyrimų projekto įgyvendinimo etapai ir rezultatai. Studentai taip pat privalo parengti rizikos matricą, kuri apima riziką, kuri gali kelti pavojų pasiekti šiuos rezultatus, ir pateikti nenumatytų atvejų planus, kaip sumažinti nurodytą riziką. Toliau pateikiamas rizikos matricos ir rizikos mažinimo plano pavyzdys. Jei reikia, nurodykite papildomą riziką:

Rizika Sunkumas Tikimybė Klimato kaitos švelninimas
Nepavyko laiku surinkti tikslinių duomenų Aukštas Žemas Įgyvendinant projektą bus pradėti nagrinėti atviri ištekliai. Ištirti galimybes gauti sintetinius arba iš anksto prieinamus viešuosius duomenis, panašius į tikslinius duomenis.
Nepakankamas išteklių finansavimas Vidutinis Vidutinis Bus ieškoma alternatyvių finansavimo šaltinių.
Moksliniai tyrimai ir (arba) projekto tikslai pernelyg ambicingi Vidutinis Žemas Reguliariai peržiūrėti projekto tikslus ir sureguliuoti projekto rezultatus remiantis peržiūros procesu.
(Pernelyg) Reikalinga daug
papildomų
mokymų
Vidutinis Žemas Bus gautasišankstinis patvirtinimas. Projekto tikslai bus atnaujinti atsižvelgiant į šiam papildomam mokymui sunaudotą laiką ir išteklius.
Duomenų praradimas Vidutinis Žemas Studentas atliks atitinkamas atsargines procedūras, kad sumažintų riziką.

Disertacijos temų pavyzdžiai





















Pereiti prie turinio

 

Skip to content