Programmas pārskats

Lai izveidotu cilvēka centra mākslīgā intelekta maģistra programmu, HCAIM konsorcijs ievēro AI HLEG definīciju: “Uz cilvēku vērsta pieeja mākslīgajam intelektam tiecas nodrošināt, ka cilvēka vērtībām ir galvenā nozīme mākslīgā intelekta sistēmu izstrādē, ieviešanā, izmantošanā un uzraudzībā, nodrošinot pamattiesību ievērošanu.

Lai izpildītu šīs definīcijas prasības, programma aptver mākslīgā intelekta tehniskos, ētiskos un praktiskos elementus. Mēs esam izstrādājuši savu saturu ap trim MLOps dzīves cikla posmiem — mašīnmācīšanās modeļu izstrādi, ieviešanu un uzturēšanu, tādējādi ražojot trīs pamatmoduļus saskaņā ar iepriekš minētajiem ML-Ops posmiem: Modelēšana (A modulis), ieviešana (B modulis) un novērtēšana (C modulis). Mēs esam pievienojuši ceturto moduli (D) Graduation, lai ļautu studentiem parādīt, ka viņi var patstāvīgi risināt nozares ierosinātās problēmas, pamatojoties uz pašreizējām vajadzībām un prasībām, kas saistītas ar cilvēka orientētā mākslīgā intelekta jomu.

Tas ir vizualizēts zemāk redzamajā tabulā.

A modulis B modulis C modulis D modulis
Tehniskā tehniskā tehnika

Mākslīgā intelekta pamati

Uzlabots mākslīgais intelekts:
Dziļā mācīšanās
Nākotnes mākslīgais intelekts

Maģistra darba projekts

Praktisks praktisks Mākslīgā intelekta modelēšana Mākslīgais intelekts darbībā:
Organizatoriskais mākslīgais intelekts
Sociāli atbildīgs mākslīgais intelekts
Ētiskais ētiskais Ētikas pamati Uzticams mākslīgais intelekts Atbilstība, likumīgums un cilvēcība

Šajā lapā ir īss apraksts par moduļiem, kas definēti Humancented Artificial Intelligence Master. Visi mācību pasākumi, tostarp to papildu mācību materiāli, ir pieejami Wikiwijs HCAIM tīmekļa vietnē.

Mācību pasākumu apraksti tika tulkoti visās 24 oficiālajās ES valodās, izmantojot Eiropas Savienības eTranslation rīku, un tie ir pieejami no sarakstiem, kas piešķirti valodām. Ņemiet vērā, ka tulkojumus nepārskata neviens pasniedzējs.

Visi materiāli ir pieejami saskaņā ar Creative Commons Attribution-NonCommercial-NoDerivates 4.0 licenci (CC BY-NC-ND 4.0)

 

Modelēšana (A modulis)

Pirmais modulis, proti, modelēšana (A modulis), koncentrējas uz MLOps dzīves cikla pirmo posmu un ir saistīts ar mašīnmācīšanās (ML) piemērošanas zemāko brieduma līmeni organizācijās: modelēšanas dati. Tas ietver darbības, kas ir ML piemērošanas pamatā, piemēram, datu ieguve, datu analīze, datu sagatavošana, modeļu apmācība un (galvenokārt manuāla) modeļu validācija un novērtēšana.

Šajā posmā galvenā uzmanība tiek pievērsta datu pareizai analīzei un modelēšanai, lai sasniegtu uzņēmējdarbības mērķus, un maz tiek izmantota automatizācija (piemēram, CI/CD), ko pievieno tikai MLOps otrajā posmā (izvietošana — B modulis). Modelēšanas darbības bieži raksturo rokasgrāmata, skriptu virzīta un interaktīva metode, ar kuru tiek veikta datu analīze, sagatavošana, modeļu apmācība un validācija. Lai saglabātu pārskatu par dažādiem modeļiem, parametriem un izvēlēm, kas tiek eksperimentētas, tiek izmantota eksperimenta izsekošana.

Raugoties no ētikas viedokļa, modelēšanas posmā ir svarīgi veltīt pietiekami daudz laika un uzmanības klienta mērķu noskaidrošanai, ieinteresēto personu apzināšanai un izpētei par to, kā tiek ietekmētas šo ieinteresēto personu individuālās vērtības (un atzīt iespējamos konfliktus starp tām). Šajā ziņā ļoti svarīgi ir tādi aspekti kā pārredzamība, iekļaušana, drošība un privātums. Protams, uzmanība jāpievērš arī klienta mērķu sociālajai un morālajai vēlamībai. Turklāt ir svarīgi (laicīgi) apzināties iespējamos aizspriedumus/aizspriedumus pieejamajos datos, atzīt šo aizspriedumu iespējamās sekas un rast risinājumus šo aizspriedumu novēršanai.

Mācību rezultāti

  • Students izvērtē dažādus ML paņēmienus, lai izdarītu pamatotu izvēli, kas atbilstu klienta iegūtajām prasībām un ieviestu izvēlētās ML tehnikas prototipu, lai konsultētu par konkrētas datu modelēšanas problēmas risināšanu.
  • Mācību rezultāts 1
  • Students, izmantojot fundamentālas ētikas sistēmas, apgalvo, kā var atrisināt morālās dilemmas, un izvērtē esošo aizspriedumu iespējamās sekas datos un plānoto seku mazināšanas ietekmi, lai novērstu šo aizspriedumu sekas.
  • Mācīšanās rezultāts 2
  • Students izmanto kvantitatīvās un kvalitatīvās pētniecības metodes, lai zinātniski pamatotu savu izvēli ētisko apsvērumu un prototipa izgatavošanas laikā.
  • Mācīšanās rezultāts 3

Izvietošana (B modulis)

Moduļa ieviešana (B modulis) ir vērsta uz MLOps izstrādes cikla otro posmu; izvietošanu. Pēc modelēšanas datu izpētes posma (sk. A moduli — modelēšana) tiek integrēts ML risinājums biznesa sistēmās. Tagad ir svarīgi sākt domāt par ML arhitektūru un to, kā tā darbojas kopā ar esošajām sistēmām (mantojums). Lai gūtu reālu labumu no automatizētiem ML risinājumiem, ir jāievieš cauruļvadi; no vienas puses, lai varētu rīkoties ar nepārtrauktu un dzīvu datu piegādi (plūsmas apstrāde) un, no otras puses, sasaistīt ML modeļa rezultātus ar citām sistēmām.

Turklāt B modulis palielina MI tehnoloģiju sarežģītību, virzoties uz neironu tīkliem (izmantojot) un padziļinātu mācīšanos. Šo sarežģītāko modeļu galvenā priekšrocība ir tā, ka tie ir elastīgāki un daudzpusīgāki nekā A modulis — modelēšana. Tomēr šo metožu svarīgākie trūkumi ir tādi, ka tie ir sarežģītāki (lai saprastu un konfigurētu) un dūmaka. Tajā ir svarīga ētiska dilemma (progresīvu) AI metožu izmantošanā: kā jūs joprojām saprotat, ko MI risinājums aprēķina un vai tas tiek darīts pareizi. Šajā modulī svarīgas (sociālas) tēmas ir padarīt MI risinājumu ieviešanu pārredzamāku un spēju noteikt iespējamos riskus un mazināt šos riskus.

Mācību rezultāti

  • Students novērtē iespējas integrēt progresīvu AI metodi, piemēram, padziļinātu un/vai pastiprinātu mācīšanos, un autori ir vienas lappuses ziņojums, kura pamatā ir prototips, kas izstrādāts, ņemot vērā klienta esošo IKT sistēmu un datu iekārtu ierobežojumus un ietekmi, kas iegūta, piemēram, sadarbībā ar IKT arhitektiem vai izstrādātājiem.
  • Mācību rezultāts 1
  • Students novērtē iespējamo risku un pārbauda izvēlētā MI/ML īstenošanas pārredzamības pakāpi (tostarp interpretējamību, reproducējamību un izskaidrojamību) un izstrādā risinājumus, izmantojot paņēmienus, kas palielina izpratni un pārredzamību ieinteresēto personu vidū (tā dēvētās skaidrojamās AI (XAI) metodes), lai novērstu trūkumus šajā ziņā salīdzinājumā ar sociālajām un klientu specifiskajām prasībām.
  • Mācīšanās rezultāts 2
  • Students formulē pētījuma projektu zinātniski pamatotam (uz praksi orientētam) pētniecības projektam, kas saistīts ar uzņēmuma gadījumu, formulējot atbilstošu, konsekventu, funkcionālu pētījumu jautājumu, ņemot vērā izmantojamās lietišķās pētniecības metodes un izveidojot precīzu, atbilstošu un kritisku teorētisko ietvaru.
  • Mācīšanās rezultāts 3

Novērtējums (C modulis)

Novērtēšanas modulī (C modulis) galvenā uzmanība ir pievērsta MI izstrādes izvērtēšanas aspektiem, tostarp gan MI produkta sociālajiem aspektiem, gan iespējamo nākotnes virzienu novērtējuma izstrādei, aplūkojot tehnoloģiju tendences; sociāli atbildīgs mākslīgais intelekts; atbilstība, kā arī nodrošināt, ka cilvēka elements ir vienmēr klātesošs AI sistēmu izstrādē, izstrādē un novērtēšanā.

Mākslīgā intelekta nākotnes ietvaros tiek apspriesta MI ieviešanas līmeņa izpēte dažādās nozarēs, kā arī tas, kā mākslīgais intelekts ir pielāgots dažādām jomām. Aplūkojot sociāli atbildīgu mākslīgo intelektu, iekļauj to, kā mākslīgais intelekts ietekmē indivīdus un dažādas sabiedrības grupas. Un būtiska moduļa daļa ir vērsta uz tiesību aktiem, politiku un rīcības kodeksiem, kas saistīti ar MI (uzsverot tādus jautājumus kā izskaidrojamība un uzticēšanās), kā arī kvalitātes kontroli un kvalitātes pārvaldības procesiem, lai novērtētu MI iniciatīvu rezultātus.

Mācību rezultāti

  • Students attīsta izpratni par modernajām pieejām mākslīgā intelekta un mašīnmācīšanās jomā, kā arī izpratni par to, kā mākslīgais intelekts tiek izmantots dažādās jomās un kā novērtēt potenciālos virzienus, ko mākslīgais intelekts var sasniegt nākotnē.
  • Mācību rezultāts 1
  • Students parāda precīzi definētu pieeju seku skenēšanai, ņemot vērā tādus jautājumus kā jaunās tehnoloģijas iespējamās ietekmes uz indivīdiem un sabiedrību izvērtēšana, īpaši pievēršoties minoritātēm un marginalizētām grupām, kā arī iespējamo ietekmi uz vidi.
  • Mācīšanās rezultāts 2
  • Students demonstrē spēju izmantot pilnībā izstrādātu pētījumu metodoloģiju, kuras ētika ir iestrādāta visos posmos, apzinoties konkrēto izmantojamo pieeju kontekstuālo raksturu, kas tiks ņemts vērā šajā modulī ietvertajās gadījumu izpētēs.
  • Mācīšanās rezultāts 3

Izlaidums (D modulis)

Absolventu modulis (D modulis) atspoguļo HCAIM programmas pamatprincipu, kura pamatā ir uz projektiem balstītas mācīšanās (PBL) koncepcija. Šī moduļa mērķis ir pozicionēt absolvēšanas projektu (profesionālu produktu) centralizēti studenta mācību trajektorijā. Absolvēšanas projekta (maģistra darba) ietvaros studenti apliecina, ka spēj patstāvīgi risināt nozares piedāvātās problēmas, pamatojoties uz pašreizējām vajadzībām un prasībām, ņemot vērā gan konkrētā jautājuma tehniskos, gan ētiskos aspektus.

Katrs darbs tiek uzskatīts par vietēju, ar iekšējo vadītāju (profesoru no universitātes, kurā students veic grādu) un ārējo uzraugu, kas pieder pusei, kura piedāvā darbu (ja tāda ir). Šis pēdējais aspekts, neraugoties uz to, ka tas nav obligāts, tiek stingri ievērots. Ierosinātāja puse var būt MVU, Izcilības centrs vai cita universitāte gan valsts, gan starptautiskā līmenī. Tiek sagaidīts, ka piedāvātājām pusēm būs jāsniedz gan valsts, gan starptautiskais darbs (t. i., darbs, kas tiek organizēts ar universitātes no tās pašas valsts vai no ārvalsts).

Mācību rezultāti

  • Students atzīst un atspoguļo MI dzīves ciklu reālistiskā, nozares informētā kontekstā un dažādās vietās, scenārijos un lietošanas gadījumos.
  • Mācību rezultāts 1
  • Students demonstrē stabilu un derīgu pētniecisko attieksmi, izmantojot projektu ar skaidri definētu starpdisciplināru pieeju, kas rada nozarei nozīmīgus un tehnoloģiski kompetentus risinājumus, vienlaikus izvērtējot viņu darba potenciālo ietekmi uz indivīdiem un sabiedrību.
  • Mācīšanās rezultāts 2
  • Students demonstrē profesionālu attieksmi attiecībā uz komunikāciju ar attiecīgajām ieinteresētajām personām (piemēram, mentoriem, konsultantiem, vienaudžiem un klientiem), analītisko attieksmi, darba ētosu, plānošanas kompetenci, proaktīvumu un pašapziņu.
  • Mācīšanās rezultāts 3

Darba vadlīnijas

HCAIM darba priekšlikumu pamatnostādnes

 

Šīs pamatnostādnes ir paredzētas, lai atbalstītu puses, kuras plāno ierosināt jaunu tēzes.

HCAIM darba veidne

 

Skatīt HCAIM darba veidni šeit.

Ētikas pamatnostādnes HCAIM tēzes

 

Plaģiātisms, datu izgatavošana un attēlu manipulēšana

Plaģiātisms nav pieņemams. Plaģiātisms ietver teksta, ideju, attēlu vai datu kopēšanu no cita avota, tostarp jūsu pašu publikācijām, neatskaitot sākotnējo avotu.

Tekstam, kas kopēts no cita avota, ir jābūt starp pēdiņām un jānorāda oriģinālais avots. Ja iepriekšējie pētījumi ir iedvesmojuši pētījuma dizainu vai manuskripta struktūru vai valodu, šie pētījumi ir skaidri jānorāda.

Attēlu datnes nedrīkst manipulēt vai pielāgot tā, lai varētu tikt nepareizi interpretēta sākotnējā attēlā sniegtā informācija. Neregulāras manipulācijas ietver 1) ieviešanu, uzlabošanu, pārvietošanu vai funkciju noņemšanu no sākotnējā attēla, 2) attēlu grupēšanu, kas jāuzrāda atsevišķi, vai 3) mainīt kontrastu, spilgtumu vai krāsu līdzsvaru, lai neskaidri, likvidētu vai uzlabotu kādu informāciju.

Iesniegtie rezultāti nedrīkst būt neatbilstoši atlasīti, manipulēti, uzlaboti vai sagatavoti. Tas ietver 1) datu punktu izslēgšanu, lai palielinātu secinājumu nozīmi, 2) datu sagatavošanu, 3) rezultātu atlasi, kas pamato konkrētu secinājumu uz pretrunīgu datu rēķina, 4) apzinātu analīzes rīku vai metožu izvēli, lai pamatotu konkrētu secinājumu (t. sk. p-haacking).

Pētījumi, kas saistīti ar cilvēkiem, dzīvniekiem vai augiem

Ziņojot par pētījumiem, kuros iesaistīti cilvēki, cilvēka materiāli, cilvēka audi vai dati par cilvēkiem, piedāvātājai pusei ir jānodrošina, lai izmeklēšana tiktu veikta saskaņā ar 1975. gadā pieņemtās Helsinku deklarācijas noteikumiem, kas pārskatīta 2013. gadā. Jebkādas sekas, kas saistītas ar šā aspekta pārkāpšanu, tiks pilnībā vainotas piedāvātājai pusei un ne HCAIM konsorcijam, ne studentam.

Tēzes, strādājot ar šūnu līnijām, jānorāda jebkuru šūnu līniju izcelsme. Attiecībā uz iedibinātām šūnu līnijām jānorāda izcelsmes vieta un jānorāda arī atsauces uz publicētu papīru vai komerciālu avotu. Ja tika izmantotas iepriekš nepublicētas de novo šūnu līnijas, tostarp tās, kas dāvinātas no citas laboratorijas, jāsniedz ziņas par institucionālās pārskatīšanas padomi vai ētikas komitejas apstiprinājumu, un, ja līnija ir cilvēka izcelsmes, jāsniedz apstiprinājums par rakstisku informētu piekrišanu.

Visas tēmas, kas potenciāli izriet no jebkādiem pētījumiem, kas rada kaitējumu dzīvniekiem, ir aizliegtas. Arī attiecībā uz dzīvniekiem jāievēro visas cilvēkiem piemērotās vadlīnijas (ja iespējams).

Eksperimentālajiem pētījumiem par augiem (vai nu kultivētiem, vai savvaļā), tostarp augu materiāla savākšanu, jāatbilst institucionālajām, valsts vai starptautiskajām pamatnostādnēm. Mēs iesakām ievērot Konvenciju par bioloģisko daudzveidību un Konvenciju par tirdzniecību ar apdraudētajām savvaļas dzīvnieku un augu sugām.

Sekss, dzimums, etniskā piederība, reliģija un citi aizspriedumi pētniecībā

Tā tiek mudināta ievērot pamatnostādnes par dzimumu līdztiesību un dzimumu līdztiesību pētniecībā — SAGER — un vajadzības gadījumā iekļaut dzimumu un dzimumu līdztiesības apsvērumus. Termini dzimums (bioloģiskais atribūts) un dzimums (ko veido sociālie un kultūras apstākļi) būtu jālieto uzmanīgi, lai izvairītos no abu terminu pārpratumiem. Promocijas darbā būtu jāapraksta arī tas, vai ir sagaidāmas dzimumu un/vai dzimumu atšķirības; ziņot par to, kā pētījuma izstrādē ņemts vērā dzimums un/vai dzimums; attiecīgā gadījumā sniedz pēc dzimuma un/vai dzimuma sadalītus datus; un apspriest attiecīgos rezultātus. Ja dzimuma un/vai dzimuma analīze nav veikta, loģiskais pamatojums būtu jānorāda diskusijā.

Līdzīgi apsvērumi attiecas uz visiem pārējiem neobjektivitātes veidiem, tostarp (un ne tikai) etnisko piederību un reliģiju. Par pirmo, mēs atgādinām, ka cilvēkiem nav rases, bet tikai etniskā piederība.

Ja darbs ir vērsts uz neobjektivitāti, tā pamatojums ir jāprecizē jau no paša sākuma.

Interešu konflikts

Studentiem ir jāizvairās noslēgt līgumus ar studiju sponsoriem, gan peļņas, gan bezpeļņas, kas traucē piekļuvi visiem pētījuma datiem vai traucē viņu spēju analizēt un interpretēt datus un patstāvīgi sagatavot darbu, kad un kur viņi izvēlas.

Studentiem ir jāapzina un jādeklarē visi personīgie apstākļi vai interese, ko var uzskatīt par neatbilstoši ietekmēt ziņoto pētījumu rezultātu reprezentāciju vai interpretāciju. Potenciālo interešu konfliktu piemēri cita starpā ir finanšu intereses (piemēram, dalība, nodarbinātība, konsultācijas, akciju/akciju īpašumtiesības, honorāri, dotācijas vai cits finansējums, apmaksātas ekspertu liecības un patentu licencēšanas kārtība) un nefinansiālas intereses (piemēram, personiskās vai profesionālās attiecības, piederība, personiskie uzskati).

Jebkāda finansējuma sponsoru loma pētījuma izstrādē, datu vākšanā, analīzē vai interpretēšanā, manuskripta rakstīšanā vai lēmumā par rezultātu publicēšanu ir jāpaziņo iepriekš.

Citēšanas politika

  • Studentiem jānodrošina, ka gadījumos, kad materiāls tiek ņemts no citiem avotiem (tostarp viņu pašu publicētajiem rakstiem), avots ir skaidri minēts un ja tiek saņemta attiecīga atļauja.
  • Studentiem nevajadzētu iesaistīties pārliecinošā pašsajūtā par savu darbu.
  • Studenti nedrīkst kopēt atsauces no citām publikācijām, ja viņi nav izlasījuši citēto darbu.
  • Studentiem nevajadzētu atsaukties uz savu vai savu draugu, vienaudžu vai iestādes publikācijām.
  • Studentiem nevajadzētu citēt reklāmas vai reklāmas materiālus.

Ētikas pamatnostādnes pārbaudītājiem

Iespējamais interešu konflikts

Pārbaudītājiem tiek lūgts informēt HCAIM padomi, ja viņiem ir interešu konflikts, kas var ietekmēt pārskata ziņojumu, vai nu pozitīvā, vai negatīvā veidā. Valde pārbauda pēc iespējas precīzāk, pirms uzaicina recenzentus; tomēr ir gaidāma un novērtēta pārskatītāju sadarbība šajā jautājumā.

Konfidencialitāte un anonimitāte

Pārbaudītājiem ir jāsaglabā disertācijas saturs, ieskaitot abstrakto, konfidencialitāti. Tām jāinformē HCAIM padome, ja tās vēlas, lai kolēģis to vārdā pabeigtu pārskatīšanu.

Riska matrica un riska mazināšanas plāns HCAIM tēzei

 

Šī veidne ļauj vadītājam atbalstīt studentu problēmu identificēšanā un risināšanā. Tajā pašā laikā darbu ierosinošajai pusei tiks lūgts sagatavot šo veidni.

Visi starpposma mērķi un sasniedzamie rezultāti ierosinātā pētniecības projekta pabeigšanai būtu jāiekļauj projekta priekšlikumā. Studentiem ir arī jāsagatavo riska matrica, kurā iekļauti riski, kas varētu apdraudēt šo mērķu sasniegšanu, un jāsagatavo ārkārtas rīcības plāni minēto risku mazināšanai. Riska matricas un mazināšanas plāna piemērs ir parādīts turpmāk. Ja nepieciešams, iekļaujiet papildu riskus:

Risks risks Nopietnība Varbūtības iespējamība Ietekmes mazināšana
Nav laikus savākti mērķa dati Augstas kvalitātes Zema cena Projekts sāks izskatīt atklāti pieejamos resursus. Izpētīt iespējas iegūt sintētiskus vai iepriekš pieejamus publiskus datus, kas līdzīgi mērķa datiem.
Nepietiekams finansējums resursiem Vidējā vidējā vērtība Vidējā vidējā vērtība Tiks meklēti alternatīvi finansējuma avoti.
Pētniecības/Projektu mērķi ir pārāk vērienīgi Vidējā vidējā vērtība Zema cena Regulāri pārskatīt projekta mērķus un sakārtot projekta rezultātus, pamatojoties uz pārskatīšanas procesu.
(Pārāk) Nepieciešams liels daudzums
papildu
apmācības
Vidējā vidējā vērtība Zema cena Iepriekšējs apstiprinājums tiks pieņemts. Projekta mērķi tiks atjaunināti, pamatojoties uz laiku un resursiem, kas izmantoti šai papildu apmācībai.
Datu zudumi Vidējā vidējā vērtība Zema cena Students ievēros atbilstošas rezerves procedūras, lai samazinātu risku.

Promocijas darba Tēmas piemēri





















Pāriet uz saturu

 

Skip to content