L'Etica dell'IA Non È Solo Teoria
Chi prende decisioni sull'intelligenza artificiale deve capire le conseguenze. Non parliamo di filosofia astratta — affrontiamo problemi reali che le aziende incontrano quando implementano sistemi automatizzati. Bias negli algoritmi, trasparenza nelle decisioni, responsabilità dei sistemi autonomi.
Scopri il Programma
Come Insegniamo l'Etica dell'IA
-
Casi Studio da Situazioni Reali
Analizziamo decisioni prese da aziende che hanno implementato IA. Cosa è andato storto nei sistemi di recruiting automatizzati? Perché alcuni algoritmi di credito discriminano certi gruppi? Studiamo documentazione tecnica, report pubblici e articoli di ricerca.
-
Workshop Pratici su Dataset Reali
Lavorate con dati veri per identificare bias nascosti. Imparate a riconoscere quando un training set non rappresenta correttamente la popolazione target. Sviluppate checklist per valutare l'equità degli algoritmi prima del deployment.
-
Simulazioni di Decisioni Complesse
Vi metto davanti a dilemmi etici senza soluzioni facili. Un'azienda farmaceutica vuole usare IA per accelerare la ricerca — quali garanzie servono? Un comune vuole predire crimini — quali rischi comporta? Discutiamo approcci diversi e le loro implicazioni.
-
Revisione di Normative e Standard
Le regolamentazioni sull'IA stanno cambiando rapidamente. Esaminiamo l'AI Act europeo, le linee guida IEEE, i principi OECD. Capirete cosa significa conformità nella pratica e come documentare decisioni etiche per audit futuri.
Problemi Comuni e Come Affrontarli
Le organizzazioni che implementano IA incontrano sempre gli stessi ostacoli. Ecco cosa vedo più spesso e gli strumenti pratici che insegno per gestirli.
Bias nei Dati di Training
Il vostro dataset riflette stereotipi storici? Probabilmente sì. Vi mostro tecniche per identificare squilibri nei dati, strategie di bilanciamento, e come documentare le limitazioni conosciute. Include audit statistici e test di fairness su sottogruppi.
Strumenti di DetectionMancanza di Trasparenza
Gli stakeholder vogliono capire come l'IA prende decisioni. Esploriamo metodi di explainable AI, dai LIME e SHAP values alle visualizzazioni comprensibili. Imparerete a creare documentazione tecnica accessibile anche a non esperti.
Tecniche di SpiegazioneResponsabilità Poco Chiara
Chi è responsabile quando un algoritmo sbaglia? Definiamo framework di accountability con ruoli specifici. Dalla governance board alla figura del responsabile etico, costruite strutture organizzative che assegnano responsabilità precise.
Modelli di GovernancePrivacy e Protezione Dati
GDPR richiede minimizzazione dei dati e diritto all'oblio. Come si concilia con modelli che necessitano enormi dataset? Analizziamo tecniche di differential privacy, federated learning e synthetic data generation per ridurre rischi.
Approcci Privacy-Preserving
Chi Vi Guida nel Corso
Elettra ha lavorato otto anni come data scientist prima di specializzarsi in AI ethics. Ha visto personalmente cosa succede quando aziende implementano sistemi automatizzati senza considerare le implicazioni etiche — e cosa serve per prevenire problemi.
Ha collaborato con team di machine learning in settori regolamentati come finanza e sanità, dove le conseguenze di decisioni algoritmiche sbagliate sono concrete. Questa esperienza pratica definisce il suo approccio all'insegnamento: niente astrazioni inutili, solo strumenti utilizzabili subito.
Competenze Specifiche
- Fairness in ML
- Explainable AI
- AI Governance
- Privacy Engineering
- Regulatory Compliance
- Risk Assessment
Inizia a Settembre 2025
Il corso dura dodici settimane con incontri serali due volte a settimana. Format ibrido: alcune sessioni online per teoria e casi studio, workshop pratici in presenza per lavoro su dataset e simulazioni.
Ogni settimana affrontiamo un tema specifico con letture preparatorie, discussione guidata di casi reali, e esercizi pratici. Alla fine sviluppate un framework etico personalizzato per il vostro contesto organizzativo.
Data Inizio: 15 Settembre 2025 | Durata: 12 settimane | Formato: Ibrido
