Obiettivi formativi Acquisizione di una serie di obiettivi di fondo: conoscenza e comprensione della disciplina; capacità di applicare conoscenza e comprensione; capacità critiche e di giudizio; capacità di comunicare quanto si è appreso; capacità di proseguire lo studio in modo autonomo.
|
Obiettivi formativi Obiettivi generali
Acquisire competenze teoriche, metodologiche e pratiche sia nell'ambito dell'analisi quantitativa dei dati, sia nell'esame critico delle implicazioni etiche, giuridiche e sociali connesse all'uso dei dati e dell'Intelligenza Artificiale.
Conoscenza e comprensione
Ricordare e definire i concetti chiave relativi ai dati digitali, ai Big Data, ai criteri di qualità dei dati e alle caratteristiche generali dei sistemi informativi.
Comprendere le normative e i quadri regolatori di riferimento per la protezione dei dati e la governance dell'IA, con particolare attenzione al GDPR e all'AI Act europeo.
Comprendere le basi metodologiche dell'analisi esplorativa dei dati (EDA), della statistica descrittiva e inferenziale, dell'analisi multivariata e temporale, nonché delle tecniche di machine learning e data mining.
Comprendere i formalismi e le tecniche volte a garantire la privacy e la riservatezza delle informazioni, quali la gestione dei quasi-identificatori, l'anonimizzazione, la pseudo-anonimizzazione, i modelli di k-anonymity e la differential privacy.
Comprendere l'origine e la natura dei bias nei dati e nei modelli di IA, le nozioni di equità algoritmica e le basi teoriche dell'IA spiegabile (XAI) e interpretabile (tra cui modelli intrinsecamente interpretabili, LIME e SHAP).
Ricordare e comprendere le problematiche legate all'autenticità dei dati, alle tecniche di rilevamento di media sintetici (testo, voce, immagini, video), al test di Turing e al fenomeno dell'inganno (scheming) negli LLM.
Capacità di applicare conoscenza e comprensione
Applicare tecniche di analisi esplorativa dei dati avvalendosi di strumenti di visualizzazione grafica quali boxplot, scatter plot e heatmap per individuare relazioni e anomalie nei dati.
Applicare modelli e tecniche di protezione della privacy (k-anonymity, differential privacy) su dataset reali o simulati.
Applicare tecniche di mitigazione del bias (nelle fasi di pre-processing, in-processing e post-processing) per migliorare l'equità e la correttezza dei modelli di IA.
Applicare metodi di interpretabilità e spiegabilità (XAI), come LIME e SHAP, per analizzare ed esplicitare i processi decisionali di modelli di machine learning.
Applicare tecniche per verificare l'autenticità di testi, immagini, file audio e video generati da strumenti di intelligenza artificiale.
Creare e sviluppare un progetto pratico autonomo che combini l'analisi quantitativa dei dati con la risoluzione di problematiche relative a privacy, trasparenza o equità algoritmica.
Autonomia di giudizio
Analizzare e valutare la qualità dei dati e la struttura dei sistemi informativi, individuandone i limiti, i rischi metodologici e i potenziali errori d'impostazione.
Valutare la conformità etica e legale di progetti basati su dati e algoritmi rispetto al GDPR e alle prescrizioni dell'AI Act.
Analizzare criticamente la presenza di bias e le questioni di equità nei dati e nei modelli, valutando l'impatto sociale ed etico delle decisioni automatizzate.
Valutare il livello di trasparenza e spiegabilità necessario per uno specifico contesto applicativo, selezionando le metodologie di XAI più idonee.
Abilità comunicative
Comprendere come esprimere in modo chiaro e con rigore interdisciplinare sia gli aspetti tecnici dell'analisi dati sia i relativi profili etico-normativi.
Creare e strutturare relazioni tecniche o presentazioni orali efficaci per illustrare il progetto pratico, motivando con terminologia appropriata le scelte analitiche, le garanzie di privacy e le valutazioni di trasparenza adottate.
Capacità di apprendimento
Comprendere e seguire la rapida evoluzione delle tecnologie di data science, delle normative nazionali ed europee (GDPR, AI Act) e delle linee guida etiche internazionali.
Analizzare in autonomia la letteratura scientifica e la documentazione tecnica relativa a nuove metriche di equità, avanzati metodi di anonimizzazione e innovativi strumenti di rilevamento dell'autenticità dei dati generati da IA.
|
Obiettivi formativi Acquisizione di una serie di obiettivi di fondo: conoscenza e comprensione della disciplina; capacità di applicare conoscenza e comprensione; capacità critiche e di giudizio; capacità di comunicare quanto si è appreso; capacità di proseguire lo studio in modo autonomo.
|
Obiettivi formativi Acquisizione di una serie di obiettivi di fondo: conoscenza e comprensione della disciplina; capacità di applicare conoscenza e comprensione; capacità critiche e di giudizio; capacità di comunicare quanto si è appreso; capacità di proseguire lo studio in modo autonomo.
|
