Ficha Unidade Curricular (FUC)
Informação Geral / General Information
Carga Horária / Course Load
Área científica / Scientific area
Inteligência Artificial
Departamento / Department
Departamento de Ciências e Tecnologias da Informação
Ano letivo / Execution Year
2024/2025
Pré-requisitos / Pre-Requisites
Considera-se que estão adquiridos conhecimentos e competências pertinentes às UCs de Introdução à Aprendizagem Automática, Tópicos de Matemática em Aprendizagem Automática e Otimização Computacional.
Objetivos Gerais / Objectives
Pretende-se facultar ao aluno o conhecimento da história passada da Inteligência Artificial (IA). Apresentar e discutir criticamente o presente em termos de robustez, confiança, explicabilidade, ética, deontologia, e regulamentação. Apresentar as aplicações presentes, discutir o futuro da aplicação em larga escala de sistemas inteligentes e construir uma prática de investigação e desenvolvimento responsáveis. Pretende-se ainda criar uma cultura de pensamento inovador.
Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes
OA1 Explicar normas e leis relevantes, considerações éticas, sociais, de privacidade e de governação, demonstrando compreensão das questões relacionadas com a prática de um profissional em Inteligência Artificial (IA). OA2 Discutir o impacto social e as questões profissionais relacionadas com a IA, a implantação de sistemas de IA, avaliando as implicações de delegar o controlo e a tomada de decisão em sistemas inteligentes, incluindo questões sobre equidade, parcialidade, transparência, responsabilidade e explicabilidade da IA. OA3 Justificar a avaliação de estudos de caso e do trabalho dos seus pares. OA4 Comunicar eficazmente com audiências através de uma série de modos e meios de comunicação, especificamente, através de relatórios técnicos escritos e apresentações visuais e orais. OA5 Aplicar princípios de investigação responsáveis e éticos e escolher métodos apropriados para analisar, teorizar e justificar conclusões na prática e investigação profissional em IA.
Conteúdos Programáticos / Syllabus
P1 Introdução: uma breve história da IA; P2 Como funciona a IA; P3 Viés, Ética, Equidade, Privacidade, Robustez e Confiança; P4 Quadros legais e regulamentares; P5 AI para o presente: estudos de caso; P6 O desafio da interpretabilidade: XAI; P7 IA para o futuro: tópicos especiais em IA.
Demonstração da coerência dos conteúdos programáticos com os objetivos de aprendizagem da UC / Evidence that the curricular units content dovetails with the specified learning outcomes
Os conteúdos programáticos (Pi, i=1, ..., 7) estão alinhados com os objetivos de aprendizagem (OAj, j=1, ..., 5) da UC através das seguintes dependências: OA1 – P1 a P7 OA2 – P1 a P7 OA3 – P5 a P7 OA4 – P1 a P7 OA5 – P1 a P7 A totalidade dos conteúdos programáticos (P1 a P7) está desenhada para ajudar, passo a passo, a cumprir o exposto os dois primeiros objetivos - OA1 e OA2 - e o último - OA5, contribuindo, pela incorporação das metodologias de ensino adequadas, para atingir o quarto objetivo - OA4. O objetivo OA3 é particularmente atingido pelas metodologias de ensino na apresentação, apreciação, e recensão crítica de casos de estudo.
Avaliação / Assessment
Sendo uma UC que trabalha maioritariamente conceitos e métodos de ponta num estado da arte ainda em evolução, não configura a figura de exame escrito a 100%. Os estudantes são avaliados através de: (a) um trabalho de grupo em workshops (GW), (b) apresentando aos pares um artigo de conferência ou revista (RP) (no final do semestre) (c) um artigo de investigação individual (RI) (em data marcada na 1.ª época), de acordo com a fórmula: 0,3 x GW + 0,3 x RP + 0,4 x RI. Para aprovação, qualquer elemento em avaliação requer uma nota mínima de 8 valores.
Metodologias de Ensino / Teaching methodologies
Serão utilizadas as seguintes metodologias de ensino-aprendizagem (MEA): MEA1: Expositivas, apresentação do enquadramento teórico em materiais on-line. MEA2: Ilustrativas, para exemplificação dos conceitos teóricos em contextos de casos reais. MEA3: Argumentativas, com apresentação e discussão do trabalhos. MEA4: Ativas, com apresentação de estudos de caso e artigos científicos.
Demonstração da coerência das metodologias de ensino e avaliação com os objetivos de aprendizagem da UC / Evidence that the teaching and assessment methodologies are appropriate for the learning outcomes
Os processos de aprendizagem involvem as metodologias de ensino necessárias para cumprir os objetivos de aprendizagem, bem como para estimular o espírito crítico e a apreensão de técnicas de comunicação e apresentação. Os resultados de aprendizagem serão alcançados através de uma combinação de aulas expositivas, workshops e estudo individual. Os processos de aprendizagem involvem: A. Conceitos chave fornecidos online (uma mistura de textos, áudios, vídeos). B. Sessões de workshops, onde os estudantes em pequenos grupos analisam casos de estudo. C. Apresentações em grupo e revisões por pares. D. Trabalhos: leitura e apresentação de um caso prático/artigo e de um trabalho de investigação individual. Espera-se que os estudantes analisem os materiais fornecidos antes das aulas e, após estas, utilizem auto-estudo para trabalhar e investigar para além das aulas. Uma vez que as técnicas pedagógicas usadas serão orientadas à resolução de problemas, as aulas estão classificadas maioritariamente como Teórico-Práticas, existindo aulas de Prática Laboratorial organizadas em forma de workshop e os Seminários serão, preferencialmente, realizados por convidados(as) que apresentarão temas/casos particulares. Como já referido, todos os materiais expositivos são disponibilizados previamente aos discentes através da plataforma eletrónica de e-learning. As aulas decorrem nas salas BYOD do Iscte. Assim, os estudantes trazem os seus computadores portáteis, o que lhes permite dispor das mesmas ferramentas na aula que já têm em casa para a aprendizagem digital, podendo assim complementar as suas notas e dar continuidade ao processo de aprendizagem e que se constitui como um facilitador da aprendizagem individual. Este processo permite ainda que a docente avalie de imediato a reação dos estudantes a cada módulo de conteúdos, bem como avaliar a progressão de capacidades dos discentes ou dificuldades que a aprendizagem digital possa estar a colocar. Por outro lado, é possível, quase sempre, fornecer feedback imediato aos discentes, de modo a apoiar um progresso constante e sustentado. As aulas expositivas serão orientadas para conceitos, métodos e ferramentas. Os workshops oferecem uma oportunidade para os alunos explorarem, aplicarem e refletirem sobre os conceitos, métodos e ferramentas expostos, obtendo feedback formativo. Os exercícios devem ser explorados em grupo, o que permite aos alunos a compreensão de quais os aspetos lecionados que pretendem aprofundar no contexto específico. Outra ferramenta que permite acompanhar as questões dos alunos extra aula é a utilização de fóruns de dúvidas, que possam ser respondidos colaborativamente (quer pela docente, quer por outros alunos).
Observações / Observations
Alunos abrangidos pelo 'Regulamento Interno para Estudantes com Estatutos Especiais' deverão contactar a Coordenadora da UC ***na primeira semana de aulas do semestre*** com vista ao enquadramento dos processos de aprendizagem e avaliação na UC.
Bibliografia Principal / Main Bibliography
S. Russell, P. Norvig. Artificial Intelligence: A Modern Approach. Pearson, Upper Saddle River, NJ, 2009. A. Holzinger, P. Kieseberg, E. Weippl & A Min Tjoa. Current Advances, Trends and Challenges of Machine Learning and Knowledge Extraction: From Machine Learning to Explainable AI. Springer Lecture Notes in Computer Science LNCS 11015. Cham: Springer, pp. 1-8, 2018. C. Molnar. Interpretable machine learning. A Guide for Making Black Box Models Explainable, 2019. https://christophm.github.io/interpretable-ml-book/. T. Miller. Explanation in artificial intelligence: Insights from the social sciences. Artificial Intelligence, 267, 1–38, 2019.
Bibliografia Secundária / Secondary Bibliography
ALLEA The European Code of Conduct for Research Integrity, European Union, URL: https://allea.org/code-of-conduct/ Artificial intelligence act, URL: https://www.europarl.europa.eu/RegData/etudes/BRIE/2021/698792/EPRS_BRI(2021)698792_EN.pdf Material de leitura a determinar ao longo das aulas e de acordo com os temas a tratar, nomeadamente: artigos em revistas científicas/artigos de opinião/livros para discussão em aula.
Data da última atualização / Last Update Date
2024-07-31