Détails
- 3 Sections
- 9 Lessons
- 3 Days
Expand all sectionsCollapse all sections
- Dag 1: Basisprincipes van AI, Mensenrechten en Ethiek (7 uur)3
- 1.1Introductie tot AI, ethiek en mensenrechten (1,5u) Wat is Artificial Intelligence (AI) en hoe beïnvloedt het de maatschappij? Ethische principes in AI: rechtvaardigheid, transparantie, verantwoordelijkheid. Case studies: Facebook, Google, predictive policing en gezichtsherkenning.
- 1.2Impact van algoritmes op mensenrechten en privacy (2,5u) Hoe algoritmes beslissingen beïnvloeden in financiën, gezondheidszorg en justitie. Privacyrisico’s en de rol van GDPR en AI Act. Casusanalyse: AI-besluitvorming en de gevolgen voor burgers.
- 1.3Bias en discriminatie in AI-systemen (3u) Wat is bias? Hoe ontstaat het in data en modellen? Hoe detecteer en minimaliseer je discriminatie in AI? Praktijkoefening: Analyse van bias in een AI-model en het ontwikkelen van een correctiestrategie.
- Dag 2: Impact Assessment Mensenrechten en Algoritmes (IAMA) – Praktische Implementatie (7 uur)3
- 2.1De IAMA-methodologie en juridische kaders (2u) Hoe voer je een Impact Assessment Mensenrechten en Algoritmes (IAMA) uit? Overzicht van wettelijke kaders: GDPR, AI Act, Digital Services Act. Praktische case: Hoe een IAMA op te zetten voor een AI-project?
- 2.2Risicoanalyse en naleving van regelgeving (2,5u) Hoe risico’s van AI-gebaseerde besluitvorming in kaart te brengen? Privacy by Design en Privacy Enhancing Technologies (PET). Praktijkoefening: Opstellen van een risicobeoordeling voor een algoritmisch besluitvormingssysteem.
- 2.3Verantwoorde AI en ethische governance binnen organisaties (2,5u) Hoe een ethisch AI-beleid implementeren? Verantwoordelijkheid en accountability van AI-systemen. Praktijkoefening: Ontwerpen van een AI-governance framework voor een organisatie.
- Dag 3: Transparantie, Audit en Beleid voor Verantwoorde AI (7 uur)3
- 3.1Uitlegbaarheid en transparantie in AI-systemen (2u) Hoe AI-beslissingen interpreteerbaar maken voor gebruikers? Explainable AI (XAI) en technieken voor uitlegbaarheid. Praktische case: Beoordelen van transparantie in een AI-model.
- 3.2AI-beveiliging en ethische hacking van algoritmes (2u) Hoe AI-systemen kunnen worden aangevallen en gemanipuleerd? Beveiligingsmaatregelen tegen adversarial attacks en deepfakes. Praktijkoefening: Simuleren van een aanval op een AI-model en mitigatie.
- 3.3Eindopdracht: Opstellen van een AI Impact Assessment en beleidsvoorstel (3u) Deelnemers ontwikkelen een volledig AI Impact Assessment. Presentatie en peer review van implementatieplannen. Afronding en discussie over best practices.
AI-beveiliging en ethische hacking van algoritmes (2u) Hoe AI-systemen kunnen worden aangevallen en gemanipuleerd? Beveiligingsmaatregelen tegen adversarial attacks en deepfakes. Praktijkoefening: Simuleren van een aanval op een AI-model en mitigatie.
Préc.
