# Dominio del contenuto 4: Linee guida per un'IA responsabile
<a name="ai-practitioner-01-domain4"></a>

Il dominio 4 tratta le linee guida per un'IA responsabile e rappresenta il 14% dei contenuti a punteggio dell'esame.

**Topics**
+ [Obiettivo 4.1: Spiegazione dello sviluppo di sistemi di IA responsabili](#ai-practitioner-01-task4.1)
+ [Obiettivo 4.2: Riconoscimento dell'importanza di modelli trasparenti e spiegabili](#ai-practitioner-01-task4.2)

## Obiettivo 4.1: Spiegazione dello sviluppo di sistemi di IA responsabili
<a name="ai-practitioner-01-task4.1"></a>

Obiettivi:
+ Identificare le caratteristiche dell'IA responsabile (ad esempio, bias, equità, inclusività, robustezza, sicurezza e veridicità).
+ Spiegare come utilizzare gli strumenti per identificare le caratteristiche dell'IA responsabile (ad esempio, Guardrail per Amazon Bedrock).
+ Definire pratiche responsabili per selezionare un modello (ad esempio, considerazioni ambientali e sostenibilità).
+ Individuare i rischi legali correlati all'utilizzo di soluzioni di IA generativa, ad esempio reclami per violazioni della proprietà intellettuale, output di modelli con bias, perdita di fiducia dei clienti, rischi per l'utente finale, allucinazioni.
+ Identificare le caratteristiche dei set di dati (ad esempio, inclusività, varietà, origini dati curate e set di dati bilanciati).
+ Descrivere gli effetti dei bias e della varianza (ad esempio, effetti sui gruppi demografici, imprecisione, overfitting e underfitting).
+ Descrivere gli strumenti per rilevare e monitorare i bias, l'affidabilità e la veridicità, ad esempio analisi della qualità delle etichette, verifiche condotte da umani, analisi dei sottogruppi, Amazon SageMaker Clarify, SageMaker Model Monitor e Amazon Augmented AI (Amazon A2I).

## Obiettivo 4.2: Riconoscimento dell'importanza di modelli trasparenti e spiegabili
<a name="ai-practitioner-01-task4.2"></a>

Obiettivi:
+ Descrivere le differenze tra i modelli che sono trasparenti e spiegabili e quelli che non lo sono.
+ Descrivere gli strumenti per individuare modelli trasparenti e spiegabili, ad esempio Amazon SageMaker Model Cards, SageMaker Clarify, valutazioni dei modelli in Amazon Bedrock, modelli open source, dati, licenze.
+ Identificare i compromessi tra sicurezza e trasparenza dei modelli (ad esempio, misurazione di interpretabilità e prestazioni).
+ Descrivere i principi della progettazione umanocentrica per un'IA spiegabile, ad esempio meccanismi di feedback degli utenti, trasparenza delle decisioni dell'IA.