Introduction to Responsible AI in PracticeIRAPGOGoogleGO-IRAP1.0<ul>
<li>Überblick über die Grundsätze und Praktiken von Responsible AI</li><li>Implementierung von Verfahren zur Überprüfung auf unlautere Verzerrungen in Modellen des maschinellen Lernens</li><li>Erforschung von Techniken zur Interpretation des Verhaltens von Modellen des maschinellen Lernens in einer für den Menschen verständlichen Weise</li><li>Schaffung von Prozessen, die den Schutz sensibler Daten in Anwendungen für maschinelles Lernen gewährleisten</li><li>Verstehen von Techniken zur Gewährleistung der Sicherheit generativer KI-gestützter Anwendungen</li></ul><p>Um diesen Kurs optimal nutzen zu können, sollten die Teilnehmer folgende Voraussetzungen erfüllen
</p>
<ul>
<li>Vertrautheit mit grundlegenden Konzepten des maschinellen Lernens</li><li>Vertrautheit mit grundlegenden Konzepten der generativen KI auf Google Cloud in Vertex AI</li></ul><p>Praktiker des maschinellen Lernens und Entwickler von KI-Anwendungen, die generative KI auf verantwortungsvolle Weise nutzen möchten.</p><h4>Modul 1 - KI-Prinzipien und verantwortungsvolle KI</h4><ul>
<li>Die KI-Grundsätze von Google</li><li>Verantwortungsvolle AI-Praktiken</li><li>Allgemeine bewährte Praktiken</li></ul><h4>Modul 2 - Fairness in der KI</h4><ul>
<li>Überblick über Fairness in der KI</li><li>Beispiele für Instrumente zur Untersuchung der Fairness von Datensätzen und Modellen</li><li>Übung: TensorFlow-Datenvalidierung und TensorFlow-Modellanalyse zur Sicherstellung der Fairness verwenden</li></ul><h4>Modul 3 - Interpretierbarkeit von AI</h4><ul>
<li>Überblick über die Interpretierbarkeit in der KI</li><li>Auswahl der Metrik</li><li>Taxonomie der Erklärbarkeit in ML-Modellen</li><li>Beispiele für Instrumente zur Untersuchung der Interpretierbarkeit</li><li>Übung: Werkzeug zum Erlernen der Interpretierbarkeit von Textzusammenfassungen</li></ul><h4>Modul 4 - Datenschutz in ML</h4><ul>
<li>Überblick in Datenschutz in ML</li><li>Sicherheit der Daten</li><li>Modell Sicherheit</li><li>Sicherheit für generative KI in der Google Cloud</li></ul><h4>Modul 5 - AI-Sicherheit</h4><ul>
<li>Überblick über die AI-Sicherheit</li><li>Widersprüchliche Tests</li><li>Sicherheit im Gen AI Studio</li><li>Labor: Verantwortungsvolle KI mit Gen AI Studio</li></ul><p><em>Dieser Text wurde automatisiert übersetzt. Um den englischen Originaltext anzuzeigen, klicken Sie bitte <span class="cms-link-marked"><a class="fl-href-prod" href="/swisscom/en/course/google-irap"><svg role="img" aria-hidden="true" focusable="false" data-nosnippet class="cms-linkmark"><use xlink:href="/css/img/icnset-linkmarks.svg#linkmark"></use></svg>hier</a></span>.</em></p>- Überblick über die Grundsätze und Praktiken von Responsible AI
- Implementierung von Verfahren zur Überprüfung auf unlautere Verzerrungen in Modellen des maschinellen Lernens
- Erforschung von Techniken zur Interpretation des Verhaltens von Modellen des maschinellen Lernens in einer für den Menschen verständlichen Weise
- Schaffung von Prozessen, die den Schutz sensibler Daten in Anwendungen für maschinelles Lernen gewährleisten
- Verstehen von Techniken zur Gewährleistung der Sicherheit generativer KI-gestützter AnwendungenUm diesen Kurs optimal nutzen zu können, sollten die Teilnehmer folgende Voraussetzungen erfüllen
- Vertrautheit mit grundlegenden Konzepten des maschinellen Lernens
- Vertrautheit mit grundlegenden Konzepten der generativen KI auf Google Cloud in Vertex AIPraktiker des maschinellen Lernens und Entwickler von KI-Anwendungen, die generative KI auf verantwortungsvolle Weise nutzen möchten.Modul 1 - KI-Prinzipien und verantwortungsvolle KI
- Die KI-Grundsätze von Google
- Verantwortungsvolle AI-Praktiken
- Allgemeine bewährte Praktiken
Modul 2 - Fairness in der KI
- Überblick über Fairness in der KI
- Beispiele für Instrumente zur Untersuchung der Fairness von Datensätzen und Modellen
- Übung: TensorFlow-Datenvalidierung und TensorFlow-Modellanalyse zur Sicherstellung der Fairness verwenden
Modul 3 - Interpretierbarkeit von AI
- Überblick über die Interpretierbarkeit in der KI
- Auswahl der Metrik
- Taxonomie der Erklärbarkeit in ML-Modellen
- Beispiele für Instrumente zur Untersuchung der Interpretierbarkeit
- Übung: Werkzeug zum Erlernen der Interpretierbarkeit von Textzusammenfassungen
Modul 4 - Datenschutz in ML
- Überblick in Datenschutz in ML
- Sicherheit der Daten
- Modell Sicherheit
- Sicherheit für generative KI in der Google Cloud
Modul 5 - AI-Sicherheit
- Überblick über die AI-Sicherheit
- Widersprüchliche Tests
- Sicherheit im Gen AI Studio
- Labor: Verantwortungsvolle KI mit Gen AI StudioDieser Text wurde automatisiert übersetzt. Um den englischen Originaltext anzuzeigen, klicken Sie bitte hier.1 Tag650.00695.00695.00850.00950.00950.00950.00790.00