دوره آموزشی ساخت سیستمهای هوش مصنوعی قابلاعتماد: شفافیت، قابلیت توضیح و کنترل با استاندارد ISO/IEC TR 24028
1 ساعت 18 دقیقهمتوسط2025-01-29
مدرسین

Lyron Andrews
جزئیات دوره
با توجه به اینکه محیطهای قانونی و نظارتی جهانی در تلاشند تا با دنیای سریعاً در حال تغییر و تکامل هوش مصنوعی همگام شوند، بسیاری از الزامات جدید نیاز به ارائه شواهدی از اعتمادپذیری در توسعه و پیادهسازی سیستمهای هوش مصنوعی دارند. در این دوره، مربی لیرون اندروز توضیح میدهد که چگونه میتوانید از راهنماییهای استاندارد ISO/IEC TR 24028 برای استفاده از ابزارهای هوش مصنوعی بر اساس اصول اعتمادپذیری، که شامل توضیحپذیری، شفافیت و کنترلپذیری است، بهره ببرید.
اهداف یادگیری:
تحلیل روشهای ایجاد اعتماد در سیستمهای هوش مصنوعی از طریق شفافیت، توضیحپذیری، و کنترلپذیری.
ارزیابی مشکلات مهندسی، تهدیدات، و ریسکهای مرتبط با سیستمهای هوش مصنوعی و تکنیکهای کاهش دهندهی احتمالی.
بهکارگیری روشهایی برای ارزیابی و بهبود دسترسپذیری، پایداری، قابلیت اطمینان، دقت، ایمنی، امنیت، و حریم خصوصی سیستمهای هوش مصنوعی.
توضیح مفاهیم اعتمادپذیری در هوش مصنوعی، شامل توضیحپذیری، شفافیت، و کنترلپذیری در زمینه محیطهای قانونی و نظارتی جهانی در حال تحول.
طراحی سیستمهای هوش مصنوعی با توجه دقیق به توضیحپذیری، شفافیت، و کنترلپذیری برای افزایش اعتمادپذیری آنها.
اهداف یادگیری:
تحلیل روشهای ایجاد اعتماد در سیستمهای هوش مصنوعی از طریق شفافیت، توضیحپذیری، و کنترلپذیری.
ارزیابی مشکلات مهندسی، تهدیدات، و ریسکهای مرتبط با سیستمهای هوش مصنوعی و تکنیکهای کاهش دهندهی احتمالی.
بهکارگیری روشهایی برای ارزیابی و بهبود دسترسپذیری، پایداری، قابلیت اطمینان، دقت، ایمنی، امنیت، و حریم خصوصی سیستمهای هوش مصنوعی.
توضیح مفاهیم اعتمادپذیری در هوش مصنوعی، شامل توضیحپذیری، شفافیت، و کنترلپذیری در زمینه محیطهای قانونی و نظارتی جهانی در حال تحول.
طراحی سیستمهای هوش مصنوعی با توجه دقیق به توضیحپذیری، شفافیت، و کنترلپذیری برای افزایش اعتمادپذیری آنها.
مهارت ها
Ethics and LawResponsible AIData PrivacyGovernance, Risk, and ComplianceCybersecurityArtificial Intelligence (AI)Data ScienceBusiness Analysis and StrategyOne-Off
سرفصل ها
0. مقدمه
- 01 - ساخت سیستمهای هوش مصنوعی قابل اعتماد
1. چارچوبهای موجود قابل اجرا برای قابل اعتماد بودن (بندهای 5-5.5)
- 02 - شناسایی لایههای اعتماد (بند 5.1)
- 03 - استانداردهای کیفیت نرمافزار و دادهها (بند 5.2)
- 04 - کاربرد مدیریت ریسک (بند 5.4)
2. ذینفعان و به رسمیت شناختن نگرانیهای سطح بالا (بندهای 6-7.2)
- 05 - ذینفعان، انواع، داراییها و ارزشها (بندهای 6-6.4)
- 06 - مسئولیت، پاسخگویی و حاکمیت (بند 7.1)
- 07 - ایمنی (بند 7.2)
3. آسیب پذیری ها , تهدیدها و چالشها (بندهای 8-8.10)
- 08 - تهدیدات امنیتی ویژه هوش مصنوعی (بندهای 8-8.2)
- 09 - تهدیدات حریم خصوصی ویژه هوش مصنوعی (بند 8.3)
- 10 - تعصب، غیرقابل پیشبینی بودن و غیر شفاف بودن (بندهای 8.4-8.6)
- 11 - مشخصات سیستم و چالشهای پیادهسازی (بندهای 8.7-8.8.4)
- 12 - چالشهای مربوط به استفاده (بندهای 8.9-8.10)
4. اقدامات کاهشی
- 13 - شفافیت (بندهای 9-9.2)
- 14 - قابل توضیح (بندهای 9.3-9.3.7)
- 15 - قابلیت کنترل، تعصب و حریم خصوصی (بندهای 9.4-9.6)
- 16 - قابلیت اطمینان، انعطاف پذیری و استحکام (بندهای 9.7-9.9)
- 17 - آزمایش (بندهای 9.10-9.10.2.7)
- 18 - ارزیابی (بندهای 9.10.3-9.10.5)
- 19 - استفاده و کاربرد (بندهای 9.11-9.11.4)
نتیجه گیری
- 20 - به ساختن سیستمهای هوش مصنوعی قابل اعتماد ادامه دهید
دوره های مرتبط
- دوره آموزشی استفاده اخلاقی از هوش مصنوعی مولد در محل کار
- دوره آموزشی مبانی حقوق کسبوکار برای کمپینهای بازاریابی تأثیرگذار
- دوره آموزشی ایجاد سیاست استفاده مسئولانه از هوش مصنوعی تولیدی
- دوره آموزشی طراحی هوش مصنوعی اخلاقی و انسان محور
- دوره آموزشی تصمیم گیری اخلاقی در کسب و کار: استراتژی هایی برای موفقیت
- دوره آموزشی اخلاق در امنیت سایبری
- دوره آموزشی نحوه خواندن قرارداد تجاری
- دوره آموزشی هوش مصنوعی مولد: نگرانی های تجاری و قانونی برای خلاقان