لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش حکمرانی هوش مصنوعی برای همه
- آخرین آپدیت
دانلود AI Governance for Everyone
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
این برنامه آموزشی به بررسی این موضوع میپردازد که چگونه هوش مصنوعی مسئولانه و حکمرانی هوش مصنوعی به سازمانها کمک میکند تا سیستمهای قابل اعتماد، شفاف و پاسخگو بسازند. شما با درک چشمانداز مدرن هوش مصنوعی، چالشهای حکمرانی و اصول بنیادی هوش مصنوعی مسئولانه شروع خواهید کرد. همچنین خواهید آموخت که سوگیریها چگونه در سیستمهای هوش مصنوعی ظاهر میشوند، تصمیمات AI چه تأثیری بر عدالت و قابلیت اطمینان دارند و مفاهیم پایهای حکمرانی هوش مصنوعی، پاسخگویی و نقشهبرداری از ریسکهای حکمرانی را بررسی خواهید کرد.
سپس تکنیکهای عدالت، توضیحپذیری و مدیریت ریسک هوش مصنوعی را که برای ارزیابی و نظارت بر سیستمهای یادگیری ماشین استفاده میشوند، فرا خواهید گرفت. این برنامه شامل معیارهای عدالت، نظارت انسانی، تفسیرپذیری، شفافیت و توضیحات محلی و جهانی است. از طریق دموهای عملی با استفاده از SHAP و LIME، پیشبینیهای مدل را تحلیل کرده، تأثیر ویژگیها را تفسیر میکنید و رفتار مسئولانه هوش مصنوعی را ارزیابی خواهید کرد.
در ادامه، هوش مصنوعی مولد مسئولانه و چالشهای حکمرانی مرتبط با مدلهای پایه و مدلهای زبانی بزرگ (LLMs) را بررسی خواهید کرد. ریسکهایی مانند توهمات (Hallucinations)، اطلاعات نادرست، خروجیهای ناامن و نگرانیهای مربوط به قابلیت اطمینان را در کنار روشهای حکمرانی، تکنیکهای ارزیابی ایمنی و استراتژیهای استقرار مسئولانه برای سیستمهای هوش مصنوعی مولد تحلیل خواهید کرد.
در نهایت، چارچوبهای حکمرانی هوش مصنوعی، اصول حسابرسی و رویکردهای نظارتی جهانی را که برای مدیریت ریسکهای AI در مقیاس وسیع استفاده میشوند، بررسی میکنید. شما با استانداردهایی مانند ISO 42001، متدولوژیهای حسابرسی AI، شیوههای ارزیابی ریسک حکمرانی و نحوه ایجاد انطباق، پاسخگویی و نظارت مؤثر بر هوش مصنوعی توسط سازمانها آشنا میشوید.
در پایان این دوره، شما قادر خواهید بود:
- اصول هوش مصنوعی مسئولانه، مفاهیم حکمرانی و چالشهای مدرن حکمرانی AI را توضیح دهید
- سوگیریها، ریسکهای عدالت و الزامات نظارت انسانی در سیستمهای هوش مصنوعی را شناسایی و ارزیابی کنید
- پیشبینیهای هوش مصنوعی را با استفاده از تکنیکهای توضیحپذیری مانند SHAP و LIME تفسیر کنید
- ریسکهای هوش مصنوعی مولد و LLM، از جمله توهمات و خروجیهای ناامن را بسنجید
- شیوههای حکمرانی، حسابرسی و مدیریت ریسک AI را با استفاده از چارچوبها و استانداردهای جهانی به کار ببرید
این برنامه برای متخصصان هوش مصنوعی، مهندسان یادگیری ماشین، دانشمندان داده، متخصصان حکمرانی، تیمهای تطبیق (Compliance)، رهبران فناوری و تحلیلگرانی طراحی شده است که قصد دارند سیستمهای هوش مصنوعی قابل اعتماد را بسازند، ارزیابی کنند و مدیریت نمایند.
داشتن درک پایهای از مفاهیم یادگیری ماشین و زبان برنامهنویسی پایتون به شما کمک میکند تا از تجربه یادگیری خود بیشترین بهره را ببرید.
با ما همراه شوید تا هوش مصنوعی مسئولانه، عدالت، توضیحپذیری، حکمرانی و شیوههای مدیریت ریسک AI را که به ایجاد سیستمهای هوشمند شفاف، قابل اعتماد و پاسخگو کمک میکنند، کشف کنید.
سرفصل ها و درس ها
مبانی هوش مصنوعی مسئولانه و حکمرانی
Foundations of Responsible AI & Governance
معرفی دوره
Course Introduction
چشمانداز مدرن هوش مصنوعی و چالشهای حکمرانی
The Modern AI Landscape and Governance Challenges
مبانی هوش مصنوعی مسئولانه
Foundations of Responsible AI
کارگاه عملی: بررسی سوگیری و نتایج تصمیمگیری AI
Hands-On: Exploring Bias and AI Decision Outcomes
کارگاه عملی: تحلیل سوگیریهای AI و نتایج پیشبینی
Hands-On: Analyzing AI Bias and Prediction Outcomes
آشنایی با حکمرانی هوش مصنوعی
Introduction to AI Governance
نقشها در حکمرانی مسئولانه هوش مصنوعی
Roles in Responsible AI Governance
کارگاه عملی: نقشهبرداری از ریسکهای حکمرانی AI
Hands-On: Mapping AI Governance Risks
عدالت، توضیحپذیری و مدیریت ریسک هوش مصنوعی
Fairness, Explainability & AI Risk Management
منابع سوگیری در سیستمهای یادگیری ماشین
Sources of Bias in ML Systems
معیارهای عدالت و سبک-سنگین کردنها در سیستمهای AI
Fairness Metrics and Trade-Offs in AI Systems
نظارت انسانی و تصمیمگیری با حضور انسان در چرخه (HITL)
Human Oversight and Human-in-the-Loop Decision Making
کارگاه عملی: شناسایی سوگیری و ارزیابی عدالت با Fairlearn
Hands-On: Detecting Bias and Evaluating Fairness with Fairlearn
تفسیرپذیری در مقابل شفافیت و توضیحپذیری
Interpretability vs. Transparency vs. Explainability
درک توضیحات محلی و جهانی مدل
Understanding Local and Global Model Explanations
مدیریت ریسک AI و ارزیابی مسئولانه مدل
AI Risk Management and Responsible Model Evaluation
کارگاه عملی: تفسیر پیشبینیهای AI با استفاده از SHAP و LIME
Hands-On: Interpreting AI Predictions Using SHAP and LIME
کارگاه عملی: توضیحپذیری محلی با SHAP و LIME
Hands-On: Local Explainability with SHAP and LIME
هوش مصنوعی مولد مسئولانه، مقررات و حسابرسی AI
Responsible Generative AI, Regulation & AI Auditing
هوش مصنوعی مولد مسئولانه و ریسکهای مدلهای پایه
Responsible Generative AI and Foundation Model Risks
توهمات، اطلاعات نادرست و خروجیهای ناامن AI
Hallucinations, Misinformation, and Unsafe AI Outputs
حکمرانی و ایمنی در مدلهای زبانی بزرگ (LLMs)
Governance and Safety in Large Language Models
کارگاه عملی: ارزیابی ایمنی و توهمات در LLM
Hands-On: LLM Hallucination and Safety Evaluation
حکمرانی جهانی هوش مصنوعی: ISO 42001 و چارچوبهای بینالمللی
Global AI Governance - ISO 42001 and International Frameworks
اصول بنیادی حسابرسی هوش مصنوعی
AI Auditing Fundamentals
کارگاه عملی: ارزیابی ریسک حکمرانی AI
Hands-On: AI Governance Risk Assessment
نمایش نظرات