Kursplan

Grunderna för ansvarsfull AI

  • Vad är ansvarsfull AI och varför det är viktigt inom programutveckling
  • Principer: rättvisa, ansvarighet, öppenhet och integritet
  • Exempel på etiska misslyckanden och missbruk av AI i kodbaser

Fördomar och rättvisa i AI-genererad kod

  • Hur LLMs kan förstärka fördomar genom träning av data
  • Upptäckande och åtgärder för fördomsfull eller osäker kodförslag
  • AI-hallucination och risken för att införa fel i stor skala

Licensiering, attribuering och IP-överväganden

  • Förståelse av öppen källkodslicenser (MIT, GPL, Copyleft)
  • Krävs attribuering för LLM-genererade utdata?
  • Granskning av AI-assisterad kod för tredje parts licensproblem

Säkerhet och överensstämmelse i AI-assisterad utveckling

  • Säkerställa kodens säkerhet och undvika osäkra mönster från LLMs
  • Överensstämmelse med interna säkerhetsriktlinjer och branschregler
  • Granskningsbar dokumentation av AI-assisterat beslutsfattande

Policy och Gostyrning för utvecklingsteam

  • Skapa interna AI-användningspolicyer för programteam
  • Definiera acceptabel användning och varningssignaler
  • Verktygsval och ansvarsfull implementering av AI-assistenter

Utvärdering och granskning av AI-output

  • Användning av checklistor för att bedöma trovärdigheten av genererat innehåll
  • Utförande av manuella och automatiserade granskningar av AI-genererad kod
  • Bäst praxis för peer-review och godkännandeprocesser

Sammanfattning och nästa steg

Krav

  • Grundläggande förståelse för programvaruutvecklingsprocesser
  • Kännedom om Agile, DevOps, eller allmänna programvaruprojektpraktiker

Målgrupp

  • Efterlevnadslagar
  • Utvecklare
  • Programvaruprojektledare
 7 timmar

Antal deltagare


Price per participant

Upcoming Courses

Relaterade Kategorier