Cilji in kompetence
Cilj predmeta je, da bodo študentje razumeli pomen in možnosti uporabe že naučenih modelov znanja, zgrajenih na osnovi analize velikih količin podatkov in strojnega učenja, pri razvoju inovativnih poslovnih modelov in procesov. Sposobni bodo oblikovanja in priprave nabora ustreznih podatkov ter znali izbrati, uporabiti, ovrednotiti in integrirati modele znanja, ki so lahko na voljo tudi v obliki storitev.
Vsebina
• Inovacije inteligentnih in na podatkih temelječih storitev: strojno učenje kot storitev (MLaaS): OpenAI ChatGPT, OpenAI Whisper, OpenAI TTS, OpenAI DALL-E, Google Gemini, Anthropic Claude...
• Inovacije grafičnih orodij za uporabo inteligentno obdelavo podatkov: Orange, Knime...
• Inovacije velikih jezikovnih modelov (LLM) za analizo in generiranje besedila (GPT, BERT), ter modelov za analizo in generiranje slik (VGG, ResNet, StadbleDiffusion).
• EU AI Act: ravni tveganja, področja regulacije, revizija.
• Primerna raba modelov znanja: vpliv na organizacije, vpliv na ljudi, regulacija.
• Neprimerna uporaba modelov znanja: uhajanje podatkov, netransparentnost modelov in nepravičnost in nepoštenost modelov.
• Ovrednotenje primernosti modelov znanja: priprava okolja za ovrednotenje modelov.
• Inovacije pri interpretaciji modelov znanja: globalno in lokalno
razlaganje ter ugotavljanje poštenosti s SHAP in LIME.
Metode poučevanja in učenja
• predavanja
• laboratorijske vaje
Predvideni študijski rezultati - znanje in razumevanje
• Razumeti zahteve uporabe in integracije vnaprej zgrajenih (LLM, slikovnih, zvočnih...) modelov znanja
• Inovativno uporabiti in integrirati vnaprej zgrajene (LLM, slikovne, zvočne...) modele znanja
• Načrtovati in razviti IT rešitve z uporabo vnaprej zgrajenimi modeli znanja
• Načrtovati, izvesti in upravljati z inovativnimi storitvami strojnega učenja
• Načrtovati in izvesti analizo in ovrednotenja transparentnosti, pravičnosti, poštenosti in primernosti modelov znanja
• Analizirati in ovrednotiti uporabljenih podatkov, modelov znanja in rezultatov glede na transparentnost, pravičnost, poštenost in primernost
Predvideni študijski rezultati - Prenosljive/ključne spretnosti in drugi atributi
• Spretnosti komuniciranja: ustni zagovor laboratorijskih vaj, pisno izražanje pri pisnem izpitu.
• Uporaba programskih orodij: uporaba inovativnih programskih orodij za raziskovanje, vizualizacijo in komunikacijo podatkov ter modelov znanja, pisanje kratkih računalniških programov.
• Reševanje problemov v podatkovni znanosti: načrtovanje in implementacija inovativnih IT rešitev z uporabo vnaprej zgrajenih modelov znanja in ovrednotenje teh.
Temeljni literatura in viri
• O'Neil, C, 2016. Weapons of math destruction: How big data increases inequality and threatens democracy. Crown.
• Christian, B, 2021. The Alignment Problem: How Can Machines Learn Human Values? Atlantic Books.
• Alammar, J, Grootendorst, M, 2024. Hands-On Large Language Models, O'Reilly Media, Inc.
• Goodfellow, I, Bengio, Y. and Courville, A, 2016. Deep learning. MIT press.
• Tunstall, L, von Werra, L, Wold, T, 2022. Natural Language Processing with Transformers, O'Reilly Media, Inc.
• Foster, D, 2023. Generative Deep Learning: Teaching Machines To Paint, Write, Compose, and Play, O'Reilly Media, Inc.
• Nussbaumer Knaflic, C, 2015. Storytelling with Data: A Data Visualization Guide for Business Professionals. Wiley.
Pogoji za vključitev v delo oz. za opravljanje študijskih obveznosti
Ni pogojev
Podrobnosti o izvedbi in ocenjevanju Opombe: Kolokvij se lahko nadomesti s pisnim izpitom.
