Intelligence artificielle et apprentissage automatique : 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
Modifie les calendriers de conformité et les hypothèses de planification des organisations qui déploient des systèmes d'IA à haut risque dans l'UE.
Acquis d'apprentissage
- Définir l'évaluation de modèle et les autres termes clés de la discipline, et les employer correctement dans un cas rédigé
- Explain machine learning for risk professionals and foundation models and generative AI with a worked example and its source
- Appliquer la méthode de la discipline à un cas documenté et expliquer chaque résultat avec sa source
- Analyser un cas nommé au regard des données et des chaînes d'entraînement, en indiquant les données probantes, la date et les limites
Modules
-
L'apprentissage automatique pour les professionnels du risque
- L'apprentissage automatique pour les professionnels du risque
- Foundation models and generative AI
- Data and training pipelines
-
Modes de défaillance et robustesse de l'IA
- Modes de défaillance et robustesse de l'IA
- Systèmes agentiques
- Sécurité de l'IA
-
L'IA dans les services publics
- L'IA dans les services publics
- L'IA dans la science
- Labour and social effects of AI
-
Laboratoire : la méthode de la discipline
- A benchmark score is a sample estimate on a fixed item set: the item count sets its sampling interval, contamination of the items by training data inflates it, and only the corrected lower bound can be compared with the threshold a deployment requires.
- 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 score de référence à une décision de déploiement : ce qu'un taux de réussite peut et ne peut pas direLa méthode de la discipline, présentée sur la page de la discipline avec ses sources citées, appliquée à un cas documenté
Instrument
- Propagateur d'orbiteUn instrument de la faculté, sur la page de la faculté, exécuté sur les données du jumeau numérique de la faculté
- Registre d'évaluationUn 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
- Étendue du bâti et des établissements humains, 2010 (HBASE, Landsat)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
- Densité de population, 2020 (GPW v4.11)Une couche cartographique ouverte admise par le registre des licences de l'Academy, lue dans les outils cartographiques
Salle Foundry
- Capabilities room, NXS-NXQAdmission, versioning and deprecation of models and tools
- Salle Benchmarks, NXS-LABComparaison de méthodes et de modèles dans des conditions d'essai déclarées
Nexus Standards
Enseigne
- NRS-T1Risque lié à l'intelligence artificielle
- NRS-T17Cycle de vie de l'apprentissage automatique, qualité des données et robustesse
- NRS-I7Applications d'intelligence : recherche ancrée, raisonnement et aide à la décision
- NRS-H95Famille d'aléas : défaillance et désalignement des systèmes d'IA
- NRS-H99Famille d'aléas : Décisions algorithmiques et préjudices structurels
- NRS-M19Trame de méthodes : cyber, IA et technologies de pointe
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-A1Normes sous forme de code : normes, exigences et tests lisibles par machine
- NRS-A2Normes natives d'ontologie : l'ontologie des risques Nexus, les vocabulaires et les formes
- NRS-A9Suites d'évaluation de l'IA dans le travail sur les risques
- NRS-C1Vocabulaire et ontologie du risque
- NRS-C2Méthode d'évaluation des risques
- NRS-C3Données sur les aléas, l'exposition, la vulnérabilité et les capacités
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
- Council of the European Union, Artificial intelligence: Council and Parliament agree to simplify and streamline rules,
- Hendrycks et al., Measuring Massive Multitask Language Understanding, 2021
- Mitchell et al., Model Cards for Model Reporting, 2019
- Bommasani et al., On the Opportunities and Risks of Foundation Models, 2021