<aside> <img src="/icons/circle-alternate_green.svg" alt="/icons/circle-alternate_green.svg" width="40px" />

Теория с уроков по ссылке (презентация пополняется): https://docs.google.com/presentation/d/1RPraliQ44UTlGtw2xwx1suFkkGzdBDEEU8ZkQ-R1-f8/edit?usp=sharing

Summative Assessment Template https://docs.google.com/presentation/d/13h7cmU2b3AmMXeCFYaZ8ARFcanYHqKBwAlPgSJX_Sow/edit?usp=sharing

</aside>

Statement of Inquiry

Automated decision-making systems transform data into recommendations that influence human choices and behaviors

Автоматизированные системы принятия решений преобразуют данные в рекомендации, влияющие на выбор и поведение людей.

Summative Assessment Task

Групповой проект «Рекомендательная система». Создание прототипа рекомендательной системы с четко прописанным алгоритмом принятия решений и документированием процесса разработки.

Inquiry Questions

• Как работают базовые алгоритмы рекомендаций?
• Как системы ИИ влияют на наши решения?
• Должны ли мы доверять рекомендациям ИИ больше, чем человеческим?

Assessment Criteria

Criterion B: Inquiring and designing

• Анализ существующих решений, выявление проблем и потребностей
• Прототип интерфейса, описание функционала, принципы работы ассистента

Criterion D: Reflecting on the impacts

• Оценка потенциальных преимуществ и рисков
• Этические аспекты использования, рекомендации по ответственному внедрению

<aside>

1st week

How recommendations work: exploring decision-making systems

• Исследование принципов работы рекомендательных систем в популярных сервисах
• Анализ параметров, влияющих на рекомендации контента
• Практическое создание простой системы рекомендаций
• Домашнее задание: провести исследование рекомендаций в любимой соцсети

Exploring the data around us: what and how systems collect

• Изучение типов данных, собираемых цифровыми системами
• Классификация и анализ различных категорий данных
• Создание карты данных популярного приложения
• Домашнее задание: провести цифровой аудит одного из часто используемых приложений

</aside>

<aside>

2nd week

Explicit and Implicit Data

Исследовать типы данных, которые собирают цифровые системы, и понять, как эти данные используются для принятия решений

Explicit и Implicit.pdf

Experiments with AI: Teachable Machine

• Знакомство с принципами работы машинного обучения через Teachable Machine
• Создание и обучение простой модели распознавания
• Эксперименты по улучшению точности модели

Тренажер: https://teachablemachine.withgoogle.com/ Видео: https://youtu.be/KxYJR-Yfvks

Пройти «Урок цифры» о персональных помощниках — интерактивный транажер https://digital-assistant.datalesson.ru/lesson/3

</aside>

<aside>

3rd week

Mistakes and limitations of AI: why systems fail

• Исследование типичных ошибок ИИ-систем

• Анализ причин возникновения ошибок

• Практические эксперименты с созданием ошибочных ситуаций

• Домашнее задание: собрать коллекцию реальных примеров ошибок ИИ

  AI problems.pdf

— https://excalidraw.com/ — https://miro.com/ — https://draw.io (есть ассистент)

AI as an assistant: exploring chatbots

• Изучение возможностей современных чат-ботов
• Формулировка эффективных запросов
• Сравнительный анализ ответов ИИ и человека
• Гайд по эффективному использованию чат-ботов

Identifying a problem to solve: starting project work

• Идентификация проблем локального сообщества
• Анализ возможности решения с помощью ИИ
• Формулировка проектного предложения
• Домашнее задание: провести мини-исследование выбранной проблемы

</aside>

<aside>

4th week

Creating a prototype: part 1 - developing the algorithm

• Создание алгоритма рекомендательной системы
• Проектирование пользовательского интерфейса
• Разработка прототипа решения
• Домашнее задание: доработать прототип и подготовить сценарии использования

Creating a prototype: part 2 - testing and improvement

• Проведение пользовательского тестирования
• Сбор и анализ обратной связи
• Внесение улучшений в прототип
• Домашнее задание: провести дополнительное тестирование с потенциальными пользователями

</aside>

<aside>

5th week

Documentation and preparation: finalizing the project

• Структурирование технической документации
• Этическая оценка решения
• Подготовка презентационных материалов
• Домашнее задание: финализировать документацию и подготовить презентацию

Demonstration and reflection: what we have learned

• Презентация разработанных решений
• Анализ полученного опыта
• Обсуждение этических аспектов ИИ
• Рефлексивное эссе о полученном опыте

Критерии успеха проекта «Рекомендательная система»:

Исследование и проектирование. Качество исследования существующих решений – Поверхностный обзор – Структурированный анализ с примерами – Глубокий анализ с выявлением закономерностей

Обоснованность решений при проектировании – Решения приняты без явных обоснований – Решения объяснены с использованием терминологии – Решения полностью обоснованы, показана связь с исследованием

Документация процесса разработки – Базовое описание шагов – Детальное описание с объяснением изменений – Комплексная документация, отражающая глубину понимания

Анализ и рефлексия. Оценка ограничений и потенциальных улучшений. Размышления о процессе и принятых решениях. Связь с реальными применениями – Поверхностный анализ – Структурированный анализ с примерами – Глубокий анализ с обоснованными выводами

</aside>