IA et gouvernance numérique : fondements et pratique
- Niveau
- L2 Intermédiaire
- Temps d'étude
- environ 24 heures (estimation de planification)
- Statut
- En rédaction
- Prérequis
- Un cours de niveau L1 dans le domaine, ou un examen d'entrée
Les programmes de conformité et la planification de l'évaluation de la conformité pour l'IA à haut risque doivent être re-séquencés autour des nouvelles échéances.
Acquis d'apprentissage
- Définir la réglementation fondée sur les risques et les autres termes clés de la discipline, et les employer correctement dans une étude de cas rédigée
- Expliquer la supervision et la responsabilité de l'IA et les décisions publiques algorithmiques avec un exemple détaillé et sa source
- Appliquer la méthode de la discipline à un cas documenté et expliquer chaque résultat avec sa source
- Analyse a named case against data governance and sharing, stating evidence, date and limits
Modules
-
Supervision et responsabilité de l'IA
- Supervision et responsabilité de l'IA
- Décisions publiques algorithmiques
- Gouvernance et partage des données
-
Droits numériques et vie privée
- Droits numériques et vie privée
- Liability for autonomous agents
- Achats et normes
-
Coopération internationale en matière d'IA
- Coopération internationale en matière d'IA
- Risk-based AI regulation
-
Laboratoire : la méthode de la discipline
- Le taux d'erreur d'un système automatisé par groupe démographique, multiplié par le nombre de décisions qu'il prend et par la part de personnes dans chaque groupe, donne les décisions erronées par groupe ; l'écart entre groupes constitue la disparité qu'un régime fondé sur le risque demande à un fournisseur de mesurer avant et après le déploiement.
- Appliquer la méthode à un cas documenté et expliquer chaque résultat
- Lire les sources de la méthode et les valeurs indiquées
Laboratoires avec les outils de l'Academy
Méthode
- D'un taux d'erreur à une décision injuste : comment un audit des disparités alimente une décision de conformitéLa méthode de la discipline, présentée sur la page de la discipline avec ses sources citées, appliquée à un cas documenté
Instrument
- Veille prospectiveUn instrument de la faculté, sur la page de la faculté, exécuté sur les données du jumeau numérique de la faculté
- Chronologie des politiquesUn instrument de la faculté, sur la page de la faculté, exécuté sur les données du jumeau numérique de la faculté
Constructeur de jumeau
- Constructeur de jumeau numériqueConstruire le lieu de la faculté en 3D, activer ou désactiver les couches et lire les crédits et les dates de chacune
Couche cartographique
- Événements naturels (NASA EONET)Une couche cartographique ouverte admise par le registre des licences de l'Academy, lue dans les outils cartographiques
- Séismes M4.5+, semaine écoulée (USGS)Une couche cartographique ouverte admise par le registre des licences de l'Academy, lue dans les outils cartographiques
- Lumières nocturnes de ce soir, coupures (bande jour/nuit VIIRS)Une couche cartographique ouverte admise par le registre des licences de l'Academy, lue dans les outils cartographiques
Salle Foundry
- Salle d'autorité, NXS-NSFContraintes de finalité et autorisation pour l'usage de l'IA
- Salle d'assurance, NXS-NSFDossiers d'assurance et limites de fiabilité
Nexus Standards
Enseigne
- NRS-P5Gouvernance et réglementation du numérique et de l'IA
- NRS-T1Risque lié à l'intelligence artificielle
- NRS-H99Famille d'aléas : Décisions algorithmiques et préjudices structurels
- NRS-M12Trame de méthodes : politiques, réglementation et gouvernance
S'appuie sur 8
- NS-1The UNI and the artefact catalogue
- NS-16Profil d'application de l'UNI (comment les articles, documents, codes, données, API et interfaces portent l'UNI)
- NRS-C1Vocabulaire et ontologie du risque
- NRS-C2Méthode d'évaluation des risques
- NRS-C3Données sur les aléas, l'exposition, la vulnérabilité et les capacités
- NRS-C4Modèle de données sur les risques, identifiants et échange
- NRS-C7Alerte précoce, seuils de déclenchement et action anticipatoire
- NRS-C8Données probantes, incertitude et provenance
Évaluation
- 40%
Compte rendu de laboratoire
Appliquer la méthode de la discipline à un cas documenté et expliquer chaque résultat avec sa source et sa date
- 40%
Note de cas
Appliquer les méthodes de la discipline à un lieu ou à une organisation nommés, en précisant les données probantes et les limites
- 20%
Contrôle des termes clés
Réponses courtes sur les termes clés, notées par rapport aux définitions
Mode de dispensation
- En ligne à votre rythme, avec les laboratoires dans le navigateur
- Étude en cohorte sur six à huit semaines, avec une revue de laboratoire hebdomadaire
- Co-dispensé avec une institution partenaire, dans le cadre de ses propres cours
Devenir partenaire de ce cours
- Co-enseigner un module et apporter un cas actuel tiré de votre travail
- Accueillir une cohorte pour vos apprenants, avec votre propre calendrier et votre propre évaluation
- Contribuer un laboratoire : un jeu de données que votre institution publie en accès ouvert, ou un modèle
- Examiner le contenu du cours et ses références avant son ouverture
- Traduire le cours et adapter ses cas à votre région
Comment les institutions et les experts participent
Dans le LMS de l'Academy
- Course on the learning platform
- Intermediate, 4 sections
- Groupe de cohorte
- A community group for each cohort of learners
- Réalisation
- Recorded on completion of the assessed work
Références 4
- European Commission, AI Act,
- European Parliament and Council, Regulation (EU) 2024/1689 (Artificial Intelligence Act), 2024
- Buolamwini and Gebru, Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification, 2018
- NIST, Artificial Intelligence Risk Management Framework (AI RMF 1.0), 2023