Megbízható mesterséges intelligencia és adatelemzés

Az előadások részletes tematikája:

1. A megbízhatóság és üzembiztonság alapfogalmai és értelmezésük az adatelemzés és a mesterséges intelligencia területén. A megbízható adatelemzés és mesterséges intelligencia megközelítései, az emberközpontú mesterséges intelligencia. Az etikus adatelemzés és etikus MI etikai háttere, jogi szabályozásai, szabványosítása és jó mérnöki gyakorlatban való megjelenései.
2. Az adat megbízhatósága/minősége. Intelligens módszerek bemenetének előállítása és ellenőrzése: Feltáró adatelemzés céljai és alkalmazása. Adatminőség mérése, adatok feldolgozása, tidy data, ETL / ELT keretrendszerek, automatizált adatfeldolgozás és -megjelenítés. Mérnöki feltételezések felhasználása adatelemzésben: oksági, időbeli és topologikus kapcsolatok figyelembevétele.
3. Az adat megértése és magyarázhatósága adatvizualizációval: összehasonlítás, trendelemzés, kiugró értékek keresése, kapcsolatok meghatározása, csoportosítás. Vizualizáció felhasználási esetei és ezek támogató technológiái: monitorozás/dashboard, üzleti jelentés, alternatívák/hipotézisek kiértékelése, megismételhető kutatás.
4. Adatelemzési és gépi tanulási modellek kiértékelése, tesztelése, és garantálása: teljesítménymetrikák definiálása, alternatívák kiértékelése, eredmények és paraméterezés kiértékelésének vizuális támogatása. Érzékenységvizsgálat, változók fontosságának vizsgálata.
5. Az adatelemzés életciklusa. Felhő alapú rendszerek. Blokklánc alkalmazása adatok megosztásának folyamatában.
6. Kvalitatív modellek használata megbízható rendszerek felépítésének és változásainak leírására. Kvalitatív modellek/modellrészletek validálása mért adatok alapján.
7. Adat alapú modellalkotás: Folyamatbányászat (process mining) módszerei és alkalmazásai: modellalkotás, konformanciavizsgálat, logelemzés, fraud detection. Üzleti szabályrendszerek adatalapú paraméterezése, szabálybányászat.
8. Intelligens tanuló módszerek felhasználása kritikus rendszerekben. Hibatűrő minták alkalmazása. Tesztgenerálás MI szolgáltatásokhoz.
9. Megbízható és magyarázható mesterséges intelligencia: fekete és fehér doboz megközelítések. Valószínűségi és oksági modellek.
10. Megbízható valószínűségi, oksági, döntéselméleti, és kontrafaktuális érvelés.
11. Értelmezhető MI modellek a megbízható MI formalizálásában: magyarázhatóság, hasznosság, igazságosság.
12. Fehér doboz modellek életciklusa, auditálás, modellek kiértékelése és kockázatelemzése: ALTAI megközelítés, modellek elfogadásának/átvételének folyamata, analitikus/hibrid módszerek, modelltesztelés, magyarázatgenerálás.
13. Fekete doboz modellek magyarázhatósága,  egyszerűbb modellek származtatása
14. Megbízható ember-gép hibrid rendszerek, „human in the loop" megközelítés, megbízható multiágens rendszerek.

A gyakorlatok részletes tematikája:

1. Adatminőség kiértékelése, bemeneti adatok vizsgálata/transzformálása, data profiling.
2. Vizuális feltáró adatelemzés, automatizált vizualizáció származtatás.
3. Folyamatbányászat alkalmazása modellalkotásban és -validációban.
4. Tesztgenerálás AI modellek fekete doboz teszteléséhez.
5. Modellek érzékenységvizsgálata, változók hatáserősségének vizsgálata, CP, PDP, Shapley DALEX.
6. Értelmezhető modellek származtatása, függetlenségek és oksági relációk reprezentálása
7. Magyarázatgenerálás módjai, logikai, valószínűségi és oksági magyarázatok generálása.