آموزش راهنمای جامع حاکمیت داده‌ها و حاکمیت هوش مصنوعی [ویدئویی] - آخرین آپدیت

دانلود Data Governance & AI Governance - The Complete Guide [Video]

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: در این دوره، شما با اصول بنیادین حاکمیت داده‌ها (Data Governance) و حاکمیت هوش مصنوعی (AI Governance) آشنا می‌شوید و بر چارچوب‌های کلیدی، ساختارهای حاکمیتی و نقش‌های مسئول در تضمین انطباق تمرکز خواهید کرد. با استفاده از کاربردهای عملی مرتبط با مطالعات موردی واقعی، ابزارهای ضروری برای پیمایش در دنیای پیچیده مدیریت داده‌ها و اخلاق در هوش مصنوعی را به دست خواهید آورد. در طول این دوره، ما شما را در چرخه حاکمیت داده‌ها هدایت می‌کنیم و همه موارد، از مدیریت متادیتا تا کنترل‌های امنیتی، مقررات حریم خصوصی و یکپارچه‌سازی هوش مصنوعی را پوشش می‌دهیم. شما خواهید آموخت که چگونه چارچوب‌های شناخته شده صنعتی را برای مدیریت مؤثر حاکمیت در بخش‌های مختلف به کار ببرید. این دوره برای متخصصان مدیریت داده، امنیت و توسعه هوش مصنوعی ایده‌آل است. پیش‌نیازها شامل آشنایی اولیه با سیستم‌های داده و اشتیاق به ارتقای دانش حاکمیتی در فضای تکنولوژیک سریع امروز است. آنچه در این دوره می‌آموزید: - تعریف و به‌کارگیری اصول حاکمیت داده‌ها - درک نقش‌ها و مسئولیت‌های کلیدی در حاکمیت هوش مصنوعی - پیاده‌سازی چارچوب‌های حاکمیت داده در طول چرخه حیات - توسعه استراتژی‌هایی برای حاکمیت هوش مصنوعی و استفاده اخلاقی از آن - ارزیابی مدل‌های حاکمیتی برای حریم خصوصی و امنیت داده‌ها - طراحی فرآیندهای حاکمیتی برای نظارت، مدیریت حوادث و انطباق مخاطبان دوره: متخصصان IT، مدیران داده، فعالان حوزه هوش مصنوعی و هر کسی که علاقه‌مند به تسلط بر اصول حاکمیت داده و AI است. دانش پایه از سیستم‌های داده مفید است اما الزامی نیست. ویژگی‌های دوره: - پوشش جامع اصول حاکمیت داده و AI * مطالعات موردی عملی و واقعی برای یادگیری کاربردی * توضیحات دقیق درباره چارچوب‌ها و متدولوژی‌های حاکمیتی

سرفصل ها و درس ها

خوش‌آمدگویی Welcome

  • خوش‌آمدگویی و آشنایی با مدرس Welcome and getting to know your lecturer

  • ساختار دوره و اهداف یادگیری Course Structure and Learning Objectives

  • معرفی مطالعه موردی EasyCar EasyCar Case Study Introduction

مبانی حاکمیت داده‌ها Foundations of Data Governance

  • مبانی حاکمیت داده‌ها Foundations of Data Governance

  • چرا اکنون به حاکمیت نیاز داریم؟ Why Governance Now?

  • نتایج و الگوهای ضد (Anti Patterns) Outcomes and Anti-Patterns

  • مفاهیم کلیدی (برگه تقلب) Key Concepts (Cheat Sheet)

  • مرزهای دامنه و ماژول‌های بعدی Scope Boundaries & Next Modules

  • حاکمیت در طول چرخه حیات داده‌ها Governance Across the Data Lifecycle

  • متادیتا، کاتالوگ و واژه‌نامه کسب‌وکار Metadata, Catalog, and Business Glossary

  • ضروریات کیفیت داده‌ها Data Quality Essentials

  • نقاط تماس حریم خصوصی و امنیت Privacy & Security Touchpoints

  • چارچوب‌هایی که باید بشناسید Frameworks you should know

  • با ظهور هوش مصنوعی چه چیزی تغییر می‌کند؟ What Changes with AI?

  • نگاهی سریع به حاکمیت هوش مصنوعی AI Governance at a Glance

  • تفاوت مستندات حاکمیت داده در برابر حاکمیت AI Data Governance vs AI Governance Artifacts

  • مورد عملی: چت‌بات RAG پشتیبانی مشتری EasyCar Case Vignette: EasyCar Customer Support RAG Chatbot

  • شاخص‌های کلیدی عملکرد (KPIs) و ارزش‌آفرینی KPIs & Providing Value

  • خروجی ماژول: منشور حاکمیتی Module Deliverable: Governance Charter

  • معرفی تمرین Exercise - Introduction

  • بررسی گام‌به‌گام راه‌حل نمونه Exercise - Walk-through sample solution

  • توضیح قالب (Template) Template explanation

مدل عملیاتی و نقش‌ها (حقوق تصمیم‌گیری و RACI) Operating Model & Roles (Decision Rights & RACI)

  • مرزهای ماژول Module Boundaries

  • خروجی‌های ماژول Module Deliverables

  • الگوهای مدل عملیاتی Operating Model Patterns

  • ابعاد سبک-سنگین کردن (و الگوهای ضد) Trade-Off Dimensions (and Anti-Patterns)

  • حقوق تصمیم‌گیری (چه تصمیماتی وجود دارد؟) Decision Rights (What decisions exist?)

  • نقش‌ها Roles

  • ماتریس RACI بر اساس سناریو RACI by Scenario

  • شوراه‌ها و تالارهای گفتگو (محل اتخاذ تصمیمات) Councils & Forums (Where Decisions happen)

  • ارجاعات و استثنائات Escalations & Exceptions

  • دامنه ها و محصولات داده‌ای Domains & Data Products

  • توالی زمانی و مستندات اصلی Cadence & Core Artifacts

  • توانمندسازی و مدیریت تغییر Enablement & Change

  • KPIها برای مدل عملیاتی KPIs for the Operating Model

  • کارت امتیاز حاکمیتی Governance Scorecard

  • نقشه راه پیاده‌سازی Implementation Roadmap

  • ارتباط با حاکمیت هوش مصنوعی AI Governance Tie-Ins

  • معرفی تمرین Exercise introduction

  • بررسی راه‌حل Solution walk-through

سیاست‌ها، استانداردها و کنترل‌ها Policies, Standards, and Controls

  • مرزهای دامنه Scope Boundaries

  • سلسله‌مراتب سیاست‌ها و ردیابی Policy Hierarchy & Traceability

  • نوشتن سیاست‌های درست (و اجتناب از سیاست‌های غلط) Writing Good Policies (and Avoiding bad ones)

  • استانداردها و رویه‌ها Standards & Procedures

  • تاکسونومی کنترل‌ها Control Taxonomy

  • شواهد و تضمین Evidence & Assurance

  • استثنائات و پذیرش ریسک Exceptions & Risk Acceptance

  • نگاشت به چارچوب‌ها Mapping to Frameworks

  • مورد عملی EasyCar EasyCar Case Vignette

  • خروجی‌های ماژول Module Deliverables

  • معرفی تمرین Exercise introduction

  • بررسی راه‌حل Solution walk-through

متادیتا، کاتالوگ و واژه‌نامه کسب‌وکار Metadata, Catalog, and Business Glossary

  • مرزهای دامنه Scope Boundaries

  • چرا متادیتا اهمیت دارد؟ Why Metadata Matters

  • متادیتای کسب‌وکار در مقابل متادیتای فنی Business vs. Technical Metadata

  • چرخه حیات واژه‌نامه Glossary Lifecycle

  • رویه‌های عملیاتی کاتالوگ Catalog Operating Procedures

  • استانداردهای نام‌گذاری و طبقه‌بندی Naming and Classification Standards

  • یکپارچه‌سازی با کیفیت داده و تبار (Lineage) Integration with Data Quality and Lineage

  • فعالیت‌ها و خروجی‌ها Activity & Deliverables

  • معرفی تمرین Exercise introduction

  • بررسی راه‌حل نمونه Sample solution walk-through

کیفیت داده‌ها و داده‌های پایه (Master Data) Data Quality & Master Data

  • مرزهای دامنه Scope Boundaries

  • ابعاد کیفیت داده و نحوه اندازه‌گیری Data Quality Dimensions & How to measure

  • طراحی قوانین و SLAها Rule design & SLAs

  • مالکیت و جریان‌های کاری Ownership & Workflows

  • مدیریت مسائل و چرخه اصلاح Issue Management & Remediation lifecycle

  • حاکمیت MDM و داده‌های مرجع MDM & Reference Data Governance

  • نظارت و گزارش‌دهی Monitoring & Reporting

  • فعالیت‌ها و خروجی‌ها Activity & Deliverables

  • معرفی تمرین و راه‌حل نمونه Exercise introduction & sample solution

حریم خصوصی و امنیت Privacy & Security

  • مرزهای دامنه Scope Boundaries

  • طبقه‌بندی داده‌ها (سطوح، برچسب‌ها و تگ‌ها) Data Classification (Levels, Labels & Tags)

  • استانداردهای جابجایی و پردازش Handling Standards

  • حاکمیت دسترسی Access Governance

  • DPIA، PIA و RoPA DPIA, PIA and RoPA

  • نگهداری و حذف Retention & Deletion

  • شواهد و ممیزی‌ها Evidence and Audits

  • آزمایشگاه کوچک: اعمال حفاظ‌ها بر روی یک مجموعه داده Mini-lab: Apply the Guardrails to a dataset

  • معرفی تمرین Exercise introduction

  • بررسی راه‌حل نمونه Sample solution walk-through

چرخه حیات و تبار داده‌ها (Lineage) Lifecycle and Lineage

  • مرزهای دامنه Scope Boundaries

  • مرور کلی مراحل چرخه حیات Lifecycle Overview - Stages

  • نقاط کنترلی چرخه حیات Lifecycle Control Points

  • مبانی تبار داده (Lineage) Lineage Fundamentals

  • ثبت تبار داده‌ها Capturing Lineage

  • استفاده از تبار داده‌ها Using Lineage

  • شواهد و یکپارچه‌سازی Evidence and Integration

  • آزمایشگاه کوچک: مستندسازی چرخه حیات و تبار برای یک محصول داده Mini-lab: Document Lifecycle and Lineage for One Data Product

  • معرفی تمرین Exercise introduction

  • بررسی راه‌حل نمونه Sample solution walk-through

مبانی حاکمیت هوش مصنوعی AI Governance Fundamentals

  • مرزهای دامنه Scope Boundaries

  • چرا حاکمیت هوش مصنوعی؟ Why AI Governance

  • اصول و ارزش‌ها Principles and values

  • نقش‌ها و تالارهای گفتگو Roles and forums

  • مرور کلی چارچوب‌ها Frameworks Overview

  • مستندات و فرآیندهای اصلی Core artifacts and processes

  • شواهد و پاسخگویی Evidence and accountability

  • فعالیت: الحاقیه منشور حاکمیت AI Activity: AI Governance Charter Addendum

  • معرفی تمرین Exercise introduction

  • بررسی راه‌حل نمونه Sample solution walk-through

هوش مصنوعی مسئولانه Responsible AI

  • مرزهای دامنه Scope Boundaries

  • تاکسونومی ریسک‌های هوش مصنوعی AI Risk Taxonomy

  • امتیازدهی ریسک Risk Scoring

  • ارزیابی اثرات هوش مصنوعی (AIA) AI Impact Assessment

  • کارت مدل (Model Card) و کارت داده (Data Card) Model Card and Data Card

  • نظارت انسانی و شفافیت Human Oversight and Transparency

  • ثبت و ردیابی ریسک‌ها Risk Register and Tracking

  • فعالیت: پیش‌نویس AIA و ساختار کارت‌ها Activity: Draft AIA + Card Skeletons

  • معرفی تمرین Exercise introduction

  • بررسی راه‌حل نمونه Sample solution walk-through

چرخه حیات یادگیری ماشین Machine Learning Lifecycle

  • مرزهای دامنه Scope Boundaries

  • مراحل چرخه حیات یادگیری ماشین (ML) ML Lifecycle Stages

  • تکرارپذیری و ردیابی Reproducibility & Traceability

  • رجیستری و موجودی مدل‌ها Model Registry & Inventory

  • جریان کاری ارتقا و گیت‌های تایید Promotion Workflow & Approval Gates

  • ارزیابی به عنوان یک کنترل Evaluation as a Control

  • نظارت، حوادث و بازنشستگی مدل Monitoring, Incidents, and Retirement

  • رابط‌های حاکمیت هوش مصنوعی AI Governance Interfaces

  • فعالیت Activity

  • معرفی تمرین Exercise introduction

  • بررسی راه‌حل نمونه Sample solution walk-through

هوش مصنوعی مولد (GenAI) و مدل‌های زبانی بزرگ (LLM) GenAI & Large Language Models (LLM)

  • دامنه Scope

  • الگوهای سیستم‌های GenAI GenAI System Patterns

  • حاکمیت داده برای مجموعه‌های RAG Data Governance for RAG Corpora

  • حاکمیت پرامپت (Prompt) و کانتکست Prompt & Context Governance

  • حاکمیت خروجی و کنترل‌های ایمنی Output Governance & Safety Controls

  • لاگ‌گیری و حریم خصوصی Logging & Privacy

  • ارزیابی و معیارهای پذیرش Evaluation & Acceptance Criteria

  • سناریوهای حوادث Incident Scenarios

  • فعالیت Activity

  • معرفی تمرین Exercise introduction

  • بررسی راه‌حل نمونه Sample solution walk-through

کیفیت داده‌ها در هوش مصنوعی AI Data Quality

  • مرزهای دامنه Scope Boundaries

  • تفاوت‌های کیفیت داده در هوش مصنوعی چیست؟ What's Different in AI Data Quality?

  • نماینده بودن مجموعه داده (Representativeness) Dataset Representativeness

  • حاکمیت برچسب‌گذاری Labeling Governance

  • بررسی‌های عدالت و سوگیری (Bias) Fairness & Bias Checks

  • نظارت بر رانش داده‌ها (Drift) Drift Monitoring

  • پایداری و تست استرس Robustness & Stress Testing

  • حاکمیت نظارت Monitoring Governance

  • معرفی تمرین Exercise introduction

  • بررسی راه‌حل نمونه Sample solution walk-through

نظارت، حوادث و عملیات مسئولانه Monitoring, Incidents, and Responsible Operations

  • مرزهای دامنه Scope Boundaries

  • لایه‌های نظارت Monitoring Layers

  • هشداردهی و اولویت‌بندی (Triage) Alerting & Triage

  • تاکسونومی حوادث Incident Taxonomy

  • دفترچه راهنمای پاسخ به حوادث (Runbook) Incident Response Runbook

  • شواهد و آمادگی برای ممیزی Evidence & Audit Readiness

  • مرورهای پس از حادثه Post Incident Reviews

  • توالی عملیاتی Operating Cadence

  • معرفی تمرین Exercise introduction

  • بررسی راه‌حل نمونه Sample solution walk-through

معماری ابزارها Tooling Architecture

  • مرزهای دامنه Scope Boundaries

  • نقشه قابلیت‌ها Capability Map

  • معماری مرجع Reference Architecture

  • الگوهای یکپارچه‌سازی Integration Patterns

  • سیاست به عنوان کد، کنترل به عنوان کد Policy as Code, Control as Code

  • مشاهده‌پذیری و حاکمیت Observability and Governance

  • ساختن در مقابل خریدن Build vs Buy

  • بهره‌برداری از ابزارها Operating the Tooling

  • معرفی تمرین Exercise introduction

  • بررسی راه‌حل نمونه Sample solution walk-through

جمع‌بندی Conclusion

  • جمع‌بندی و سپاسگزاری! Conclusion & Thank You!

نمایش نظرات

آموزش راهنمای جامع حاکمیت داده‌ها و حاکمیت هوش مصنوعی [ویدئویی]
جزییات دوره
12h 9m
164
Packtpub Packtpub
(آخرین آپدیت)
از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Dr. Florian Detzel Dr. Florian Detzel

دکتر فلوریان دتزل (Dr. Florian Detzel) مدرس مشتاق هوش تجاری و تحلیل داده است که ترکیبی قدرتمند از تعالی آکادمیک، تخصص صنعتی و تجربه تدریس عملی دارد. ایشان با داشتن مدرک PhD و تجربه گسترده در دنیای واقعی BI، در زمینه کمک به یادگیرندگان برای کسب مهارت‌های کاربردی و آماده برای بازار کار تخصص دارد. رویکرد آموزشی او مفاهیم بنیادی را با کاربردهای واقعی ترکیب می‌کند و متخصصان را قادر می‌سازد تا با اعتماد به نفس، داده‌ها را به بینش‌های تجاری معنادار تبدیل کنند.