Se penche sur les défis que pose l'équité dans les processus décisionnels algorithmiques, la lutte contre les préjugés et les injustices historiques dans les données.
Explore les implications éthiques du déploiement d'algorithmes d'apprentissage automatique et souligne l'importance de l'équité dans les processus décisionnels.
Étudie les défis liés à l'élaboration de systèmes normatifs de recommandations d'information et les considérations éthiques en matière d'IA, de journalisme et de diversité.
Explore la qualité des données, les biais dans les données et l'importance des bonnes pratiques de gouvernance dans les environnements de données urbains.
Explore la justice mondiale en matière de données, l'équité sociale en matière de gouvernance des données, l'éthique algorithmique et la responsabilité politique des chercheurs.
Couvre la cartographie de la susceptibilité aux feux de forêt à l'aide de la robotique ML-Al et de divers sujets connexes, y compris les protocoles expérimentaux, l'ingénierie des fonctions DFT, SimpedCLIP et la détection de Covid-19.
Explore le rôle des vérités fondamentales dans les algorithmes d'IA, en se concentrant sur la prédiction des néoantigènes pour l'immunothérapie du cancer et le projet TESLA.
Examine le cadre juridique de l'éthique de l'IA, y compris l'interprétation des lois, les sources des normes juridiques et l'interdiction des pratiques nocives de l'IA.
Explore la sécurité de l'apprentissage automatique, y compris le vol de modèles, la modification des extrants, les conditions conflictuelles et les défis liés à la protection de la vie privée, soulignant l'importance de corriger les biais dans les modèles d'apprentissage automatique.
Introduit Q-Learning, Deep Q-Learning, l'algorithme REINFORCE et Monte-Carlo Tree Search dans l'apprentissage par renforcement, aboutissant à AlphaGo Zero.
