آموزش مقدمه ای بر حسابرسی سیستم های هوش مصنوعی

Introduction to Auditing AI Systems

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:

مقررات AI اینجاست، بنابراین ممکن است تعجب کنید که چگونه سازگار شوید. و اگر یک سازمان سازمانی، استارت‌آپ یا متخصص هوش مصنوعی هستید، احتمالاً می‌دانید که منابع آموزشی موجود برای تیم‌های فنی بسیار کم است. در این دوره، مربی Ayodele Odubela به شما یک نمای کلی از نحوه ارزیابی هوش مصنوعی برای تعصب و تبعیض برای ایجاد سیستم‌های هوش مصنوعی عادلانه‌تر می‌دهد.

مبانی جدیدترین مقررات حاکم بر استفاده از فناوری هوش مصنوعی و همچنین نحوه پیمایش مراحل مختلف ممیزی هوش مصنوعی را از نظر فنی بررسی کنید. بیاموزید که چگونه قوانین تبعیض فدرال می‌تواند بر سیستم‌های هوش مصنوعی تأثیر بگذارد، چگونه هوش مصنوعی پرخطر و کم خطر را ممیزی کنید، و چگونه داده‌های معیار را برای حسابرسی و بررسی خط‌مشی جمع‌آوری، توسعه یا خریداری کنید. Ayodele به شما اصول اولیه محاسبه انصاف مدل و اینکه چه اصولی را باید اولویت بندی کنید و چرا، از جمله توضیح پذیری، شفافیت، انطباق و مستندسازی را نشان می دهد. پس از تکمیل این دوره، از نحوه استفاده از ابزارهای هوش مصنوعی برای کاهش تعصب الگوریتمی بیشتر آگاه خواهید شد.


سرفصل ها و درس ها

معرفی Introduction

  • به دنیای جدید ممیزی هوش مصنوعی خوش آمدید Welcome to the new world of AI audits

1. پارادایم جدید حسابرسی هوش مصنوعی 1. New Paradigm of AI Audits

  • ممیزی هوش مصنوعی چیست؟ What is an AI audit?

  • ممیزی چگونه مورد استفاده قرار می گیرد؟ How are audits used?

  • وضعیت قوانین هوش مصنوعی The state of AI legislation

  • اخلاق امتیازدهی و طبقه بندی انسان ها Ethics of scoring and classifying humans

2. چرا سیستم های هوش مصنوعی را حسابرسی کنیم؟ 2. Why Audit AI Systems?

  • محدودیت ها و فرصت های حسابرسی هوش مصنوعی AI audit limitations and opportunities

  • گردش کار توسعه Development workflows

  • عملکرد هوش مصنوعی AI performance

  • برابری آماری Statistical parity

3. داده های حسابرسی هوش مصنوعی 3. Data for AI Audits

  • داده های حسابرسی هوش مصنوعی Data for auditing AI

  • منابع سوگیری در داده ها Sources of bias in data

  • انواع سوگیری و روش های نمونه گیری داده ها Types of bias and data sampling methods

4. اصول حسابرسی هوش مصنوعی 4. Principles for AI Audits

  • چرا توضیح پذیری اهمیت دارد Why explainability matters

  • سطوح شفافیت Levels of transparency

  • اصول هوش مصنوعی مسئول: انطباق Responsible AI principles: Compliance

  • آماده شدن برای مقررات هوش مصنوعی Preparing for AI regulation

5. مدل ممیزی 5. Model Audits

  • انواع ممیزی مدل Types of model audits

  • مراحل ممیزی مدل Stages of a model audit

  • ممیزی مدل: وام مسکن Model audit: Home loans

  • حسابرسی داده های آموزشی Auditing training data

  • نتایج حسابرسی: اظهارات قابل توضیح Audit outcomes: Explainability statements

  • ممیزی های مستمر Continuous audits

نتیجه Conclusion

  • هوش مصنوعی مولد Generative AI

  • مراحل بعدی Next steps

نمایش نظرات

Linkedin (لینکدین)

لینکدین: شبکه اجتماعی حرفه‌ای برای ارتباط و کارآفرینی

لینکدین به عنوان یکی از بزرگترین شبکه‌های اجتماعی حرفه‌ای، به میلیون‌ها افراد در سراسر جهان این امکان را می‌دهد تا ارتباط برقرار کنند، اطلاعات حرفه‌ای خود را به اشتراک بگذارند و فرصت‌های شغلی را کشف کنند. این شبکه اجتماعی به کاربران امکان می‌دهد تا رزومه حرفه‌ای خود را آپدیت کنند، با همکاران، دوستان و همکاران آینده ارتباط برقرار کنند، به انجمن‌ها و گروه‌های حرفه‌ای ملحق شوند و از مقالات و مطالب مرتبط با حوزه کاری خود بهره‌مند شوند.

لینکدین همچنین به کارفرمایان امکان می‌دهد تا به دنبال نیروهای با تجربه و مهارت مورد نیاز خود بگردند و ارتباط برقرار کنند. این شبکه حرفه‌ای به عنوان یک پلتفرم کلیدی برای بهبود دسترسی به فرصت‌های شغلی و گسترش شبکه حرفه‌ای خود، نقش مهمی را ایفا می‌کند. از این رو، لینکدین به عنوان یکی از مهمترین ابزارهای کارآفرینی و توسعه حرفه‌ای در دنیای امروز مورد توجه قرار دارد.

آموزش مقدمه ای بر حسابرسی سیستم های هوش مصنوعی
جزییات دوره
1h 19m
24
Linkedin (لینکدین) Linkedin (لینکدین)
(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

Ayodele Odubela Ayodele Odubela

دانشمند داده و اخلاق شناس هوش مصنوعی

Ayodele Odubela یک دانشمند داده و متخصص اخلاق هوش مصنوعی است.

Ayodele معتقد به استفاده از فناوری برای بهبود زندگی افراد حاشیه‌نشین است. او پس از فارغ التحصیلی از دانشگاه پیتسبورگ با مدرک رسانه های دیجیتال و ارتباطات، برای آژانس های بازاریابی، شرکت های اپلیکیشن و ناشران آنلاین کار کرد و پیش از گرفتن مدرک کارشناسی ارشد خود در علوم داده از دانشگاه رجیس. از آن زمان، او بر یافتن راه‌حل‌هایی برای سوگیری در علم داده، از جمله یافتن راه‌هایی برای شناسایی و کاهش آسیب‌های سوگیری کدگذاری‌شده در الگوریتم‌ها، و کار بر روی کتابی درباره نحوه شناسایی و مقابله با سوگیری در مدل‌های یادگیری ماشین تمرکز کرده است.
Ayodele در حال حاضر به عنوان یک دانشمند داده در SambaSafety، ارائه دهنده مدیریت ریسک تحرک مبتنی بر ابر برای رانندگان، کار می کند.