Inteligência Artificial e Sociedade

Código:

M.IA001

Sigla:

IAS

Áreas Científicas
Classificação	Área Científica
OFICIAL	Ciência de Computadores
OFICIAL	Engenharia Informática

Ocorrência: 2024/2025 - 1S

Ativa?	Sim
Unidade Responsável:	Departamento de Engenharia Informática
Curso/CE Responsável:	Mestrado em Inteligência Artificial

Ciclos de Estudo/Cursos

Sigla	Nº de Estudantes	Plano de Estudos	Anos Curriculares	Créditos UCN	Créditos ECTS	Horas de Contacto	Horas Totais
M.IA	61	Plano de estudos oficial	1	-	6	42	162

Língua de trabalho

Português
Obs.: Suitable for English-speaking students

Objetivos

Esta UC tem como principal objectivo capacitar os estudantes com conhecimentos fundamentais e técnicos sobre o impacto e os desafios da Inteligência Artificial (IA) no contexto social e ético. Para isso, serão abordados vários temas atualmente discutidos tanto na investigação como na indústria relativos ao desenvolvimento e implementação de sistemas de IA em diversos domínios da vida quotidiana.

Resultados de aprendizagem e competências

A UC visa preparar os estudantes para reconhecer, mitigar, e solucionar os desafios que emergem no decorrer do desenvolvimento de sistemas de IA com aplicações na sociedade. No decorrer da UC, é esperado que os estudantes desenvolvam as seguintes competências:

• Compreender as implicações da integração da IA na sociedade atual, nas suas vertentes sociais, éticas e técnicas;


• Avaliar criticamente a qualidade e complexidade dos dados e o seu impacto nos sistemas de IA;


• Quantificar e mitigar os desafios relacionados com as características intrínsecas dos dados, nomeadamente os problemas de missing data e imbalanced data;


• Identificar possíveis vieses existentes em aplicações de IA e implementar estratégias para a sua correção, promovendo a construção de sistemas de IA justos e equitativos.


• Implementar e discutir técnicas que promovam a explicabilidade dos sistemas de IA, fomentando a sua transparência e adoção;


• Reconhecer os desafios de privacidade em IA e propor soluções para a sua preservação.

Modo de trabalho

Presencial

Pré-requisitos (conhecimentos prévios) e co-requisitos (conhecimentos simultâneos)

Conhecimentos prévios dos fundamentos de Inteligência Artificial e Ciência de Dados (e.g., processamento de dados, construção e avaliação de modelos de aprendizagem supervisionada e não-supervisionada). Conhecimentos intermédios de programação na linguagem Python.

Programa

Esta UC está estruturada em 10 módulos fundamentais:

1. Introdução à IA e Sociedade: implicações, riscos, benefícios e impacto ético e social.


2. IA Centrada nos Dados (Data-Centric AI). O papel da qualidade dos dados no resultado dos modelos de IA. Características intrínsecas dos dados. Estratégias e ferramentas de data profiling e validação de dados.


3. Complexidade dos problemas de classificação. Medidas de complexidade dos dados e meta-aprendizagem.


4. Tratamento de dados desequilibrados (imbalanced data). Quantificação, principais estratégias de mitigação e avaliação.


5. Tratamento de dados em falta (missing data). Quantificação, principais estratégias de mitigação e avaliação.


6. Viés e Justiça em IA. Fontes de viés nos dados e modelos de IA. Estratégias de identificação e mitigação.


7. Explicabilidade em IA. Estratégias para promoção da transparência de modelos de IA.


8. Privacidade e Segurança de dados em IA. Desafios de privacidade e estratégias de preservação.


9. Dados Sintéticos. Conceitos fundamentais, ferramentas e aplicações.


10. IA e Impacto Social: O potencial da IA na amplificação das desigualdades sociais. Regulação e governança da IA.

Bibliografia Obrigatória

Alberto Fernández, Salvador García, Mikel Galar, Ronaldo C. Prati, Bartosz Krawczyk, Francisco Herrera; Learning from Imbalanced Datasets. ISBN: 978-3-319-98073-7
Virginia Dignum; Responsible Artificial Intelligence: How to Develop and Use AI in a Responsible Way. ISBN: 978-3-030-30370-9
Christoph Molnar; Interpretable Machine Learning: A Guide For Making Black Box Models Explainable. ISBN: 979-8411463330
Solon Barocas and Moritz Hardt; Fairness and Machine Learning: Limitations and Opportunities. ISBN: 978-0262048613
Stef van Buuren; Flexible Imputation of Missing Data. ISBN: 978-1138588318

Bibliografia Complementar

Cathy O'Neil; Weapons of Math Destruction. ISBN: 978-0553418811
Hannah Fry; Hello World: How to be human in the age of the machine. ISBN: 978-0857525246
Meredith Broussard; Artificial Unintelligence: How Computers Misunderstand the World. ISBN: 978-0262038003
Catherine D'Ignazio and Lauren F. Klein; Data Feminism. ISBN: 978-0262044004

Métodos de ensino e atividades de aprendizagem

A UC está estruturada em aulas teórico-práticas incorporando 4 principais componentes:

• Componente expositiva de introdução aos conceitos, podendo incluir, quando possível, apresentações por convidados.


• Componente técnica de exploração de ferramentas e técnicas de IA, aplicando os conceitos aprendidos à análise de datasets reais.


• Componente de discussão e projeto em grupo, em que os estudantes são desafiados a trabalhar em grupos para resolver problemas de IA aplicados que considerem questões de qualidade de dados, privacidade e justiça.


• Avaliação continuada em que serão desenvolvidos trabalhos individuais para consolidação dos conceitos teórico-práticos. 

A avaliação está estruturada da seguinte forma:

• (TI) Trabalhos individuais realizados semanalmente e escrita de relatórios: 30% (6 valores). Nota mínima: 2 valores.


• (TP) Trabalho de projeto integrador dos diferentes conteúdos: 30% (6 valores). Nota mínima: 2 valores.


• (T) Teste: 40% (8 valores). Nota mínima: 3 valores.

Tipo de avaliação

Avaliação distribuída sem exame final

Componentes de Avaliação

Designação	Peso (%)
Teste	40,00
Trabalho laboratorial	30,00
Trabalho prático ou de projeto	30,00
Total:	100,00

Componentes de Ocupação

Designação	Tempo (Horas)
Apresentação/discussão de um trabalho científico	6,00
Elaboração de projeto	39,00
Estudo autónomo	39,00
Frequência das aulas	39,00
Trabalho laboratorial	39,00
Total:	162,00

Obtenção de frequência

Para obtenção de frequência deverão ser cumpridos os seguintes requisitos:

• Submeter pelo menos metade (25%) dos trabalhos individuais;


• Participar, entregar, apresentar e defender o projeto de grupo;


• Não faltar a mais de 4 aulas (excepto se for concedida uma exceção).

Fórmula de cálculo da classificação final

NotaFinal = (0.3 * TI) + (0.3 * TP) + (0.4 * T)

TI: Média ponderada dos Trabalhos Individuais
TP: Média ponderada do Trabalho de Projeto
T: Nota do Teste

As componentes estão sujeitas a nota mínima, a saber: TI: 2 valores; TP: 2 valores; T: 3 valores. Os estudantes que não cumpram os mínimos reprovam por falta de componente. Em caso de Exame, este substituirá a componente de Teste (T).

Provas e trabalhos especiais

N/A

Trabalho de estágio/projeto

N/A

Avaliação especial (TE, DA, ...)

Os estudantes em circunstâncias especiais devem discutir a sua situação directamente com o docente responsável pela unidade curricular.

Melhoria de classificação

Apenas a componente de Teste (T) se encontra sujeita a melhoria.