Курс на Stepik
Обложка курса «Responsible AI на практике: безопасность, объяснимость и…» на Stepik
4 990 ₽

Responsible AI на практике: безопасность, объяснимость и… ★ 0.000

Открыть на
STEPIK.ORG

Инженерный курс о том, как превращать принципы Responsible AI в требования, проверки и артефакты: bias/fairness, XAI, robustness и безопасность, документация, регуляции и governance.

Показатель Текущие показатели Рост
Значение 🏆 Рейтинг 3 дн 7 дн 30 дн
Количество учеников на курсе «Responsible AI на практике: безопасность, объяснимость и…»Учеников на курсе 3
Сертификаты, выданные на курсе «Responsible AI на практике: безопасность, объяснимость и…»Сертификатов выдано 0
Отзывы о курсе «Responsible AI на практике: безопасность, объяснимость и…»Отзывов получено 0
Рейтинг курса «Responsible AI на практике: безопасность, объяснимость и…»Рейтинг курса 0.000
Уроки в курсе «Responsible AI на практике: безопасность, объяснимость и…»Количество уроков 32
Тесты в курсе «Responsible AI на практике: безопасность, объяснимость и…»Количество квизов 32
Стоимость курса «Responsible AI на практике: безопасность, объяснимость и…»Стоимость курса 4 990 ₽ —
Обновления курса «Responsible AI на практике: безопасность, объяснимость и…»Обновления курса — —
Дата публикации курса «Responsible AI на практике: безопасность, объяснимость и…»Дата публикации курса — ———
Последнее обновление курса «Responsible AI на практике: безопасность, объяснимость и…»Последнее обновление — ———

Содержание курса

Разделы в курсе «Responsible AI на практике: безопасность, объяснимость и…» 8 разделов Уроки в курсе «Responsible AI на практике: безопасность, объяснимость и…» 32 урока Тесты в курсе «Responsible AI на практике: безопасность, объяснимость и…» 32 теста Последнее обновление курса «Responsible AI на практике: безопасность, объяснимость и…» обн. 25 июля 2026

Responsible AI как инженерная дисциплина

4 урока
1. С чего начинается Responsible AI ↗
2. Провалы, которые не видно в метриках ↗
3. Принципы как набор инженерных вопросов ↗
4. Этика, комплаенс и продукт: границы ответственности ↗

Bias: от источника до вмешательства

4 урока
1. Где появляется bias на пути к решению ↗
2. Типы bias и ошибки измерения ↗
3. Корреляции, прокси и причинность ↗
4. Мини-кейс: hiring model и план исправлений ↗

Fairness-метрики и выбор компромисса

4 урока
1. Fairness начинается с постановки вреда ↗
2. Group fairness без формул ↗
3. Individual fairness и похожие люди ↗
4. Конфликт метрик: как выбрать и защитить ↗

XAI: объяснения, которым можно доверять

4 урока
1. Зачем объяснять: от дебага до аудита ↗
2. Локально и глобально: как читать XAI ↗
3. SHAP, LIME и feature importance ↗
4. Объяснимость генеративных моделей и LLM ↗

Robustness и безопасность моделей

4 урока
1. Robustness: когда данные меняются ↗
2. Adversarial атаки и data poisoning ↗
3. Prompt injection в LLM-системах ↗
4. Мониторинг и red teaming ↗

Ответственный ML lifecycle и артефакты

4 урока
1. Где ставить quality gates в pipeline ↗
2. Datasheets и проверки данных ↗
3. Model cards и traceability решений ↗
4. Аудит релиза: изменения и откаты ↗

Регуляции: EU AI Act для инженера

4 урока
1. Risk-based подход и категории систем ↗
2. High-risk: что потребуется команде ↗
3. Документация и доказательства соответствия ↗
4. Комплаенс без паралича разработки ↗

Governance: внедрение и инциденты

4 урока
1. AI governance: роли и ответственность ↗
2. AI risk register как живой документ ↗
3. Incident response для AI: первые часы ↗
4. Чек-лист внедрения и итоговый тест ↗