Introduction to Responsible AI in Practice

Acerca de este curso

El desarrollo de la inteligencia artificial ha creado nuevas oportunidades para mejorar la vida de las personas en todo el mundo, desde los negocios hasta la atención médica y la educación. También ha planteado nuevas preguntas sobre la mejor manera de incorporar la equidad, la interpretabilidad, la privacidad y la seguridad en estos sistemas.

En este curso, realizarás una exploración a alto nivel de las recomendaciones ofrecidas por Google para el uso responsable de la inteligencia artificial en diferentes áreas de enfoque: Igualdad, Interpretabilidad, Privacidad y Seguridad. En el camino, aprenderás cómo puedes aprovechar diferentes herramientas de código abierto y herramientas en Vertex AI para explorar estos conceptos y dedicar tiempo a considerar los diferentes desafíos que surgen con la inteligencia artificial generativa.

A quién va dirigido

Objetivos del curso

Este curso enseña a los participantes las siguientes habilidades:

• Visión general de los principios y prácticas de la inteligencia artificial responsable.
• Implementar procesos para detectar prejuicios no reconocidos en modelos de aprendizaje automático.
• Explorar técnicas para interpretar el comportamiento de modelos de machine learning de manera comprensible para las personas.
• Crear procesos que garanticen la privacidad de los datos sensibles en aplicaciones de aprendizaje automático.
• Comprender técnicas para garantizar la seguridad de las aplicaciones impulsadas por inteligencia artificial generativa.

Contenidos

Módulo 1: Principios de IA y IA Responsable

• Principios de IA de Google.
• Prácticas de IA responsable.
• Recomendaciones generales.

Módulo 2: Equidad en IA

• Visión general de la igualdad en la IA.
• Ejemplos de herramientas para analizar la igualdad en conjuntos de datos y modelos.
• Laboratorio: Uso de TensorFlow Data Validation y TensorFlow Model Analysis para Garantizar la Igualdad.

Módulo 3: Interpretabilidad de la IA

• Visión general de la interpretabilidad en la IA.
• Selección de métricas.
• Taxonomía de explicabilidad en modelos de machine learning.
• Ejemplos de herramientas para estudiar la interpretabilidad.
• Laboratorio: Aprendizaje de la Herramienta de Interpretabilidad para Resumen de Texto.

Módulo 4: Privacidad en el Aprendizaje Automático

• Visión general de la privacidad en machine learning.
• Seguridad de datos.
• Seguridad de modelos.
• Seguridad para la inteligencia artificial generativa en Google Cloud.

Módulo 5: Seguridad en la IA

• Visión general de la seguridad en la IA.
• Pruebas contradictorias.
• Seguridad en Gen AI Studio.
• Laboratorio: IA Responsable con Gen AI Studio.