K♞▀▄▀▄♝▀▄

8   8                                        
8   8  eeeee eeeee e     e eeeee e   e eeeee 
8eee8e 8  88 8  88 8     8   8   8   8 8   " 
88   8 8   8 8   8 8e    8e  8e  8e  8 8eeee 
88   8 8   8 8   8 88    88  88  88  8    88 
88   8 8eee8 8eee8 88eee 88  88  88ee8 8ee88 
                                             

Loengud, praktilised töötoad, koolituspäevad ja kursused

Koolitusvajaduse selgitamisel aitab joonis 1, kus kuvatakse ettevõtte juhtimise kolm mõõdet – tehnoloogiline, ärikorralduslik ja ressursid. Kui ettevõtte plaanib äritehisintellekti kasutusele võtta, tuleb otsuste tegemisel hõlmata kõik nimetatud mõõtmed, et tagada äritehisintellekti edukas lanseerimine. Mõõtmed kirjeldavad alltoodut.

Tehnoloogiline mõõde hõlmab tehnoloogilisi aspekte, mis on seotud äritehisintellekti kasutamisega, nagu tehnoloogiliste platvormide valik, andmete haldamine ja kvaliteet, algoritmide arendamine ja koolitamine, automatiseerimine ja seadistamine. Ettevõttel tuleb otsustada, millised tehnoloogilised lahendused sobivad kõige paremini nende vajadustega ning kuidas neid saab kasutada andmete analüüsimiseks ja äriprotsesside automatiseerimiseks.

Ärikorralduslik mõõde hõlmab organisatsiooni ärikorralduslikke aspekte, nagu strateegia, struktuur, protsessid ja inimesed. Ettevõttel tuleb otsustada, kuidas äritehisintellekti kasutuselevõtt sobib nende äristrateegiaga, milliseid protsesse saab automatiseerida, kuidas struktureerida organisatsiooni, et toetada äritehisintellekti kasutamist ja millist koolitust ja ressurssi on vaja, et tagada äritehisintellekti tõhus kasutamine.

Ressursside mõõde hõlmab ajalisi aspekte, nagu projektide ajakava ja ajastus, vajalikud ressursid ja investeeringud. Ettevõttel tuleb otsustada, millal ja kuidas äritehisintellekt realiseerida, millised on lühiajalised ja pikaajalised eesmärgid ning kuidas äritehisintellekti kasutamisega kaasnevad kulud ja tulud tasakaalustada.

Formaat

Koolitustel on üldjuhul neli formaati:

• Kursus – 2-10 päeva kestev programm, mille võib läbi viia intensiivkursusena lühema perioodi jooksul või siis tavakursusena, kus nädalas saadakse kokku ühel või kahel päeval;
• Koolituspäev – kuni 6 ak.t. kestev programm allolevatest valitud teemadest; koolituspäev võib sisaldada nii loenguid kui praktikume;
• Loeng – tavaliselt 2 ak.t. kestev loeng ühel valitul teemal;
• Praktiline töötuba – 2-4 ak.t. õppetööd arvutiga, kus osalejad omandavad mõne spetsiifilise professionaalse oskuse või harjutavad ärifunktsiooni täitmist AI-tööriista kaasabil.

Koolitus võib samaväärselt olla kontaktõppena auditooriumis või online teel (MS Teams või muu platvorm).

E-tugi

Koolituse läbiviimisel kasutatakse e-toe lahendusi. Lähtuvalt koolituse otstarbest valitakse e-toe kasutamise ulatus. Minimaalselt tehakse seal kättesaadavaks koolituse materjalid, sh harjutustöölehed, juhendid, lugemismaterjalid jms. Tellija soovil kontrollitakse ka kursusel osalejate õpisooritusi, kasutatakse e-tuge ka sooritatud tööde üleslaadimiseks, hindamiseks ning õppurile tagasiside lähetamiseks.

Teemad

Alljärgnevas tabelis 1 on toodud Tarmo Koppeli koolituste näidisteemad koos sisukirjeldusega. Esitatud on ka sessioonide kestus akadeemilistes tundides (45min). Tellija soovi korral võib teemat käsitleda ka põhjalikumalt. Koolitusi võib teha nii eesti kui inglise keeles.

Tabel 1. Tarmo Koppeli koolituste ja loengute näidisteemad

Pealkiri	Sisu
AI ajalugu (History of AI) (2-4 ak.t)	Loeng käsitleb AI-tehnoloogia arengulugu, et mõista, kuidas tehisintellekt on jõudnud praegusesse punkti. Ajaloolised pöörded tööstuses. Digitaaliseerimise Ajalugu. Teeme ülevaate AI-tehnoloogia võtmevõimaldajatest ja alustehnoloogiatest. Vaatame lähiminevikku, mõtestame lahti tehnoloogiatrendid, et mõista lähituleviku suundumusi ning püstitame pikemaid visioone. Millele peaks ettevõtte tuginema pikemaajaliste tehnoloogiastrateegiate tegemisel?
AI-revolutsioon (AI-revolution) (2 ak.t)	On alanud AI-revolutsioon, mis on neljas tööstusrevolutsioon. Käsitleme paralleele varasemate tööstusrevolutsioonidega. Õpime tuvastama ja analüüsima AI-revolutsiooni poolt põhjustatud muutusi ühiskonnas, majanduses, sh ettevõtluses. Läbi paralleelide tundmise õpime prognoosime arenguid lähitulevikus, et oma isikliku karjäärivaliku ja ettevõtte juhtimise läbi paremini muutustega kohaneda. Tehnoloogilise progressi lained “S-kõveratel“. AI rakendamist piiravad asjaolud.
Tehisintellekti alused (AI fundamentals) (2-6 ak.t)	Kognitiivsed tehnoloogiad laiendavad infotehnoloogia jõudu ülesannetele, mida traditsiooniliselt täidavad inimesed. Need võivad võimaldada organisatsioonidel murda kiiruse, kulude ja kvaliteedi vahel valitsevaid kompromisse.AI on kombinatsioon erinevatest tehnoloogiatest, mis toimivad rohkem nagu inimmõistus võrreldes arvutitega. Algoritmid jäljendavad inimese mõtteprotsesse ja otsusetegemist. Tehisintellekt vs inimintellekt. Tehnoloogiline singulaarsus. Tehisintellekti kaliibrid: 1) Kitsas tehisintellekt (ANI-Artificial Narrow Intelligence); 2) Üldtehisintellekt (AGI- Artificial General Intelligence); 3) Ülitehisintellekt (ASI- Artificial Superintelligence). Tehisintellekti rakendustasemed: 1) abistav intelligents (assisted intelligence), 2) augmenteeritud intelligents (augmented intelligence), 3) autonoomne intelligentsus (autonomous intelligence). Tehisintellekti alamvaldkonnad. Tehisintellekt kui süsteem: sisend, väljund, parameetrid. Olulised põhiterminid: Võimaldavad tehnoloogiad, Algoritmid, masinõppe mudelid, programmid jm. Reeglitel põhinev tehisintellekt. Digitiseerimine vs digitaliseerimine. Digitaalne transformatsioon.
Masinõppe meetodid (Machine learning methods) (2-6 ak.t)	Ülevaade masinõppe meetoditest. Masinõppe algoritmid kui õppimise algoritmid. Masinõppe kolm peamist alamvaldkonda, sõltuvalt sellest, kuidas algoritm andmetest õpib: 1) juhendamata masinõpe (unsupervised machine learning), 2) juhendatud masinõppeks (supervised machine learning) ning 3) stiimulõppeks (reinforcement learning). Juhendatud õppe meetodid: klassifitseerimine ja regressioon. Süvaõpe ja tehisnärvivõrgud. Õige algoritmi valimine. Enamlevinud lähenemised/ algoritmid. Masinõppe mudeli ehitamine. Treeningandmed, valideerimisandmed ja testandmed. Mudelite täpsuse mõõtmine. Ülesobitamine, alasobitamine.
Sissejuhatus äritehisintellekti (Intro to business AI) (2-4 ak.t)	Uut tüüpi – andmekeskse firma esilekerkimine. Miks ettevõtted valivad tehisintellekti? Selleks, et teha strateegilisi otsuseid tehisintellekti võtmetehnoloogiate kasutamise kohta ettevõttes, peavad organisatsioonid välja töötama mudelid, mis võtavad arvesse organisatsiooni spetsiifilisi vajadusi ja eesmärke. See aitab tagada, et AI tehnoloogiat kasutatakse viisil, mis toetab ka organisatsiooni üldisi eesmärke. Miks tehisintellekti kaalumisel on ettevõtetel kasulik keskenduda pigem ärivõimalustele kui üksikutele tehnoloogiatele? Digitaliseerimisega sammupidamine. Äritehisintellekti võimestamise tasemed. Protsesside automatiseerimine, andmevarade realiseerimine. AI võimalused ettevõtte töö realiseerimisel. Viimastest suurtest muudatusest saadud õppetunnid. AI tüübid: – Intelligentsuse järgi, -Tehnoloogia järgi, -Interaktsiooni järgi, -Otstarbe järgi, -Meetodi (algoritmi järgi), Ärifunktsiooni järgi, -Valdkonna järgi.
Äritehisintellekti rakendused (Business AI applications) (2-6 ak.t)	Ülevaade AI ärirakendustest. Milliseid probleeme saab AIga ettevõttes lahendada? Peamised kategooriaid, milles ettevõtted AI-lahendusi rakendavad: protsesside automatiseerimine, andmevarade võimendamine, virtuaalsed agendid. Tehisintellekti rakendused erinevates tööstusharudes. AI loob väärtust erinevate tööstusharude ettevõtetele, tõhustades protsesse, optimeerides andmeid, pakkudes soovitusi ja automatiseerides tööülesandeid. Näiteid rakenduslikust AIst – millisteks lahendusteks tehnoloogia praegu võimeline on.
Ennustav analüütika (Predictive analytics) (2-6 ak.t)	Ennustava analüütika peamised meetodid: klassifitseerimine, regressioonanalüüs, aegridade prognoos. Ennustav analüütika on praegu ettevõtetes kõige laialdasemalt kasutatav tehisintellekti tehnoloogia, hinnanguliselt kasutab seda 60–80% ettevõtetest. Mustrite tuvastamine. Mudeli täpsuse hindamine, mõõdikud. Koodivabad ennustava analüütika platvormid ja tööriistad. Ennustava analüütika ärirakenduste valikute küsimused: juurdepääsetavus, kasutatavus, kiirus, kvaliteet, skaleeritavus. Kasutusjuhtumispetsiifilised tööriistad versus agnostilised-üldised tööriistad. Milliseid andmetüüpe saab töödelda? Millistele andmetele ettevõte üldse keskendub?
Graafandmebaasid (knowledge graphs), Semantiline veeb (semantic web) (2 ak.t)	Ontoloogiad kui semantilised andmemudelid. Ontoloogiate põhikomponendid. Graafandmebaasid ühendavad mitme andmehaldusparadigma omadused: Andmebaasi, Graafiku ja Teadmusbaasi. Graafandmebaas seoste avastamisel ja esitamisel, mis tabelandmebaaside puhul muidu märkamata jääksid. Ettevõtte graafandmebaasid (EKG – Enterprise knowledge graphs). Ettevõtte graafandmebaasid kasutavad ontoloogiaid, et luua selgesõnaliselt erinevaid kontseptuaalseid mudeleid (skeemid, taksonoomiad, sõnavarad jne), mida kasutatakse ettevõtte erinevates süsteemides. Resource Description Framework (RDF). Näited graafandmebaaside tüüpidest. Suurte graafandmebaaside näited. Semantilise veebi põhialused. Semantilise veebi jätkuvalt arenev visioon.
Loomuliku keele töötlemine (NLP – Natural Language Processing) (2-4 ak.t)	Loomuliku keele töötlemine on tehisintellekti alamvaldkond, mis aitab arvutitel mõista kirjutatud ja räägitud sõnu nii, nagu inimesed seda teevad. Seega võimaldab loomuliku keele töötlus keelega seotud ülesandeid täita varem kujuteldamatutel skaaladel. Tekstikaevandamine vs loomuliku keele töötlemine. Kuidas loomuliku keele töötlemine toimib. Loomuliku keele töötlemise komponendid NLG (Natural Language Generation) ja NLU (Natural Language Understanding). Loomuliku keele töötlemise etapid. NLP tavapärased ülesanded. NLP rakendused: ideede genereerimine, plagiaadikontroll, parafraseerimise tööriistad, grammatika korrektorid. Tekst kõneks, kõnesüntees. Kommertskõne kategooriad: Ettevõtte peamised huvirühmad ja äriprotsessid AI kõnesüntesaatori rakendamisel.
NLP rakendused turunduses, sisuloome ja sisuanalüüs AI abil (NLP marketing applications, content generation and conent analytics with AI) (2-4 ak.t)	Lähiajal täidavad AI-robotid nõudluse ainulaadse ja isikupärastatud sisu järele. Sisuturunduse elutsüklid. AI copywriteri abil sisu genereerimine. Äritekstide kategooriad ja turunduskandjad: teksti copywriting, müügiettekanne, tootekirjeldus, otseturunduse ekiri, müügibrošüür, veebisisu, tweets, turundusstrateegia kohandamine jm. AI sisuanalüüsi tööriistad – viis sisu tõhususe ja toimivuse mõõtmiseks sisu loomise ajal enne sisu avaldamist. Tekstianalüüsi tehnikad.  Loomuliku keele töötlus (NLP – natural language processing). NLP meetodid automatiseeritud analüüsiks. Sisuanalüüs kui andmepõhine, skaleeritav ja korratav lähenemine. Sentimendianalüüs. Teksti täiustamine.
NLP rakendused ärisuhtluses: kõne tekstiks ja kokkuvõtted (NLP applications in business communication: speech to text and summarization) (2 ak.t)	Kõnest tekstiks tehnoloogia toimimine. Kõnetuvastuse ja transkriptsioonivahendite kasutamine. Erinevad kõnetüübid ja tekstimudelid, nende tugevused ja piirangud. Transkriptsioonimudelite kallutatus. Kuidas valida ja rakendada helisalvestise eeltöötluse ja transkriptsiooni tehnikaid. Täpsuse mõõdikute mõistmine ja kuidas neid kasutada erinevate kõne- ja tekstimudelite võrdlemiseks. Kõne ja teksti tehnoloogia kasutusjuhtumid. Eetilised ja õiguslikud kaalutlused, privaatsusega seotud probleemid.
LLM e suurte keelemudelite  rakendused äritegevuses (Business applications of large language models) (2-4 ak.t)	Mis on suured keelemudelid LLM – large language models. LLMide töömehhanismid. LLMide võimalikud funktsioonid. Transformeri arhitektuur; tokeniseerimine ja manustamine. Praeguste LLMide ülevaade; OpenAI ChatGPT, GPT-4 jm. Ärirakenduste loomine LLMi baasil. Ettevõtte oskusteabe põhjal LLMile pealismudelite treenimine.   LLMi rakendamise piirangud ärikeskkonnas. Kasutusnäited.
GPT käsurea koostamine, (GPT prompt engineering) (2-4 ak.t)	GPT tugevused ja nõrkused. Prompti struktuur. Promptide tüübid: küsimusele vastamine; ekstraheerimine; üldistamine; kokkuvõtte koostamine; sentimendianalüüs; nõuanded; bash-skriptimine; teksti koostamine jm. GPT kasutamine ärikonsultandina. GPT kasutamine kirjanduse ülevaate tegemisel. GPT kasutamine teksti vastavusse viimisel andmekaitsereeglitega. Soovitusi GPT käsurea koostamisel; universaalne käsurida. Käsurea kasutusnäited. GPT autorina.
Virtuaalassistendid, vestlusagendid ja juturobotid (Virtual assistants, conversational agents and chatbots) (2-6 ak.t)	Virtuaalassistendid, vestlusagendid ja juturobotid (e agendid) võimaldavad ettevõtetel suhelda klientidega isikupärastatud viisil, mastaapselt paljudes kanalites ja täielikult automatiseeritud viisil. Ettevõtte vajaduste selgitamine ja agendi funktsionaalsuse kavandamine. Agendi konfiguratsioon. Kas osta või ehitada ise? Milliseid funktsioone võib agent täita? Kasutusjuhtumid erinevates tööstusharudes. Nupupõhine agent. Agendi testimine ja valideerimine ekspluatatsiooniks. Täpsuse hindamine ning puuduste tuvastamine. Suurfirmade platvormid: Amazon AWS Lex, Google Dialogflow, IBM Watson. Teised väiksemad ja ülesandespetsiifilised platvormid. Vestlusrobotite ajalooline areng. Juhtuminäited. Hääle teel virtuaalassistentidega suhtlemine, n Amazon AWS äriplatvormi virtuaalassistent Lex ja Alexa.
Jaemüügi virtuaalassistendid (Retail virtual asssistants) (2 ak.t)	Eeldatakse, et 2023. aastal toimub üle 70% vestlusrobotite vestlustest jaemüügis kasutatavate AI-süsteemidega. Jaemüügibotid pakuvad ööpäevaringset tuge, vastavad KKK-dele ja võivad pakkuda klientidele nende kavatsuste alusel tutvustusi, muutes nad suurepäraseks kandidaadiks jaemüüjatele, et parandada klientide rahulolu ja brändilojaalsust. Jaemüügi digitaalse klienditeeninduse vajaduste kaardistamine. Jaemüügi virtuaal-assistendi funktsionaalsuse kavandamine. Agendi efektiivsuse hindamine ekspluatatsiooni eel ja käigus.
Tööstus 4.0, tark tootmine (Industry 4.0, smart manufacturing) (2-6 ak.t)	Täna oleme tunnistajaks üleminekule tööstusmajanduselt tehisintellektile. See loob intelligentsed masinad, mis on võimelised oma keskkonnast õppima, et täita iseseisvalt keerulisi tööstuslikke ülesandeid. Hiljutised tehnoloogilised edusammud on toonud ette uue ajastu tootmises, kus masinad on üha enam võimelised töötama iseseisvalt ja tegema omavahel koostööd keerukate ülesannete täitmiseks. Nutikas tootmine (smart manufacturing) keskendub tootmisprotsesside viimisele peale käsitsi toimingud integreeritud süsteemidesse, kus masinad suhtlevad omavahel võrkude kaudu. Tööstus 4.0 aluseks on digitehnoloogiad nagu asjade internet, pilvetöötlusplatvormid, suurandmete analüüs, 3D-printimine, robootika, nutikad andurid jm.
AI klienditeeninduses (AI in customer service) (2 ak.t)	Klienditeeninduse vastuste koostamine. Virtuaalagendi roll kommunikatsioonis ettevõtte ja kliendi vahel. Klienditeeninduse töö kui efektiivsuse funktsioon. Virtuaalklienditeenindajate kirjaliku teksti efektiivsuse arvutamine. Tekstianalüüsi tehnikad. NLP rakendamine kliendipöördumiste automaatseks analüüsiks. Sentimendianalüüs. Struktureeritud ja struktureerimata tagasiside analüüs. Kuidas tagasiside analüüsi automatiseerida ja seda integreerida ettevõtte protsessidesse?
AI personalijuhtimises (AI in human resource management) (2 ak.t)	Personalitöös on süsteemsed ja struktuursed erinevused, mis muudavad selle tehisintellektil põhineva süsteemi loomisel raskemaks. Kuna suurandmete kvaliteet ja tehisintellekti võimekus on piiratud, peetakse neid personali- ja tööhõivevaldkonnas endiselt ebatraditsioonilisteks. Selle küsimuse paremaks mõistmiseks kaalutleme tehisintellekti väljakutseid andmeteaduses ja personalijuhtimises. AI rakendused personalitöös. Personalitöö AI tugevused ja nõrkused. Personalitöö AI süsteemide kasutajad. GPT rakendamine töösuhtekonsultandina. AI funktsioonid värbamisel.
Otsustugisüsteemid (DSS – decision support systems) (2 ak.t)	Otsustugisüsteemide kontseptsioon. AI võimalik roll otsustusprotsessis. Kuidas tehisintellektil põhinevad otsustugisüsteeme saab kasutada inimeste otsustusprotsessi täiustamiseks, läbi teadmiste ja soovituste, mis põhinevad suurel hulgal andmetel. Erinevat tüüpi otsustugisüsteemid. LLM-põhine otsustugi. Otsustugisüsteemi funktsioonid erinevatele ettevõtte sihtkasutajatele. Turul saadaolevad otsustugisüsteemid ja nende komponendid. Otsustugisüsteemide integreerimine erinevatesse töölõikudesse. Kasutusjuhtumid selliste süsteemide edukast integreerimisest, mis on parandanud otsuste kvaliteeti ja viinud paremate tegevustulemusteni. Väljakutseid ja kaalutlused, mida ettevõtted peaksid otsustugisüsteemide juurutamisel silmas pidama.
Automaatsed otsused (Auto-decisions) (2 ak.t)	Uued tehnoloogiad ja masinad on tänapäeval ettevõtete jaoks üliolulised – eriti kui nad tegelevad suurte andmemahtudega ja teevad korduvaid otsuseid. Tänapäeva automatiseeritud otsustusalgoritmid võivad raskete probleemide lahendamisel ületada inimeste otsustajaid. Otsustajad tegutsevad üha keerukamas ja suuremamõõtmelises keskkonnas, mis nõuab otsuste tegemiseks täiendavaid andmeallikaid. See keerukus muudab isemääratletavad andmed oluliseks tööriistaks ettevõtetele, kes soovivad teha paremaid otsuseid.
AI seadusandlus ja õiguslikud aspektid (AI legislation and legal aspects) (2-4 ak.t)	Euroopa Liidu kujunev seadusandlus AI rakendamisel äritegevuses. ELi uus tehisintellekti poliitika püüab reguleerida nii turul olevaid kui ka väljatöötamisel olevaid tooteid ja teenuseid. Seadusandja eeldused ja oodatavad nõuded AI-süsteemidele ja nende kasutusjuhtudele. Kuidas tagada, et tööriist järgib reegleid kogu selle eluea jooksul?  Vastavuskontroll ja pideva toimimise jälgimine. Ameerika ja Ühendkuningriigi suundumused AI reguleerimisel. Millised on AI rakendamise peamised juriidilised riskid? Kas tehisintellekti tekitatud kahju eest võib vastutust panna kellelegi? Kes on “AI tarneahelas“ osalejad, kellele võidakse määrata vastutus. Potentsiaalsed tsiviilõiguslikud kohustused. Kas analoogiaid saab tuua ka teistest õigusvaldkondadest? Toimiva AI “vea” tuvastamine. Kas on olemas tehisintellekti või valdkonnapõhised eeskirjad? Tehisintellekti kindlustus. AI võimalikud tööõiguse probleemid. AI ja ettevõtte intellektuaalomandi õigused. Milline intellektuaalomandikaitse on AI jaoks saadaval? AI ja konkurentsi/monopolivastased probleemid. AI õiguslike küsimuste kontrollnimekiri.
Generatiivse AI õiguslikud küsimused (Legal questions in generative AI) (2 ak.t)	Generatiivse AI copyright-küsimused. Nagu enamik masinõppeprogramme, tuginevad generatiivsed mudelid andmetes mustrite tuvastamise põhimõttele ning seda paljundatakse ühelt sisendilt teisele. Generatiivne AI hõlmab teksti, kõnet ja pilti tootvaid mudeleid, nagu ChatGPT, GPT-3, DALL-E, Stable diffusion jms. Küsimus, millele ükski jurist, kriitik, ekspert vastust ei tea – kas see looming on seaduslik? Kas ChatGPT kasutamine on õiguspädev? Lähitulevikus võidakse silmitsi seista õiguslike väljakutsetega. Diskuteerime ja puudutame erinevaid juriidilisi argumente, et otsida nimetatud loomingule kohta õiguslikus ruumis. Mõistlik kasutamine (fair use). AI-andmepesu (AI data laundering). Tutvume juhtumitega.
Seletatav tehisintellekt (Explainable AI – XAI) (2 ak.t.)	Enamik masinõppe ja süvaõppe algoritme töötab musta kasti mudelina, millesse me sisestame andmed ja need annavad meile tulemused, kuid me ei tea, mis on aluseks, millele tehisintellekt on selle otsuseni jõudnud.  Tehisintellekti otsuste tegemine on mõnevõrra varjatud ja mõnikord ei suuda isegi AI-algoritmide kujundaja aru saada, kuidas otsuseid tehakse ja tulemusi saadakse. Selgitatav AI (XAI) viitab tehisintellekti tehnoloogia (AI) rakendamise meetoditele ja tehnikatele, nii et inimeksperdid saavad lahenduse tulemusi mõista. Seletatava tehisintellekti eesmärgid a) ettevõtte, b) lõppkasutaja ja c) järelevalve aspektist. XAI eeldused masinõppe mudelitele. Tundlikud valdkonnad, nagu rahandus ja meditsiin. XAI tööriistad. Kasutusnäited.
Eetiline tehisintellekt (Ethical AI) (2 ak.t)	Uued tehnoloogiad on tänapäeval ettevõtete jaoks üliolulised – eriti kui nad tegelevad suurte andmemahtudega ja teevad korduvaid otsuseid. Need automatiseerimisvõimalused võivad aga põhjustada ka diskrimineerivaid tavasid ja ebaõiglast kohtlemist töötajate ja klientide suhtes. Kuna tehisintellekt on  võimeline õppima ja tegema keerulisi otsuseid, on sel ka suur potentsiaal mõjutada ettevõtete tegevust. See digitaalne ümberkujundamine toob kaasa palju teiseseid muudatusi ja tõstatab olulisi küsimusi õigluse ja eetiliste tagajärgede kohta. Loengus arutatakse tehisintellekti rakendamisega kaasnevaid eetilisi küsimusi, sealhulgas diskrimineerimise ja ebaõigluse vältimist, vastutusevõtmist ja inimlike väärtuste austamist. AI mudelite kallutatuse probleemid. Rassilist ja soolist eelarvamust väljendav tehisintellekt. Kauba ja teenuste pakkumise kallutatus.
AI süsteemid ja privaatsus (AI systems and privacy) (2 ak.t)	Privaatsus ja andmete turvalisus seoses tehisintellekti süsteemide kasutamisega. Tehisintellekti rakendusi on võimalik ümber suunata või isegi tahtlikult kavandada inimeste jälgimiseks. Millised on peamised andmekaitseprobleemid? Privaatsust enim riivavad AI-tehnoloogiad, nagu näotuvastus, kõnetuvastus, massiivne monitooring jm. Privaatsuse reguleerimine ettevõttes.
Turvaline tehisintellekt (Safe AI) (2 ak.t)	Kuna tehisintellektil on potentsiaal muutuda intelligentsemaks kui ükski inimene, pole meil kindlat viisi ennustada, kuidas see käitub. Turvaline tehisintellekt keskendub AI arendamisele ja rakendamisele turvalisel ja vastutustundlikul viisil. Selle eesmärk on  vältida tehisintellekti rakendamisest tulenevaid riske ja tagada tehnoloogia arengu jätkusuutlikkus. Tehisintellekti turvalisuse põhimõtted: Loengus tutvustatakse turvalise tehisintellekti põhimõtteid, mis hõlmavad erinevaid meetmeid. Loengus arutatakse erinevate tehisintellekti rakenduste riske ning selgitatakse, kuidas neid riske hinnata ja vältida. Näiteks tuuakse juhtumeid, kus tehisintellekti otsused võivad olla ohtlikud. Tehisintellekti rakenduste tutvustamine, mis on loodud turvalisel ja vastutustundlikul viisil.
Riskide juhtimine AI kasutuselevõtmisel (Risk management in AI use) (2-6 ak.t)	AI süsteemi edukas lansseerimine eeldab põhjalikku riskianalüüsi ning riskijuhtimist. Kas lahendus tegelikult töötab? Kas kliendid kaasa tulevad? Kas interventsioon on rahaliselt jõukohane? Tehisintellekti süsteemide kasutamisega seotud riskide tuvastamine, hindamine ja maandamine. Erinevad riskid, mis AI kasutamisest võivad tekkida, sh tehnilised riskid, tegevusriskid, õiguslikud ja regulatiivsed riskid ning mainega seotud riskid. Uut tüüpi riskid, nagu eelarvamused, turvariskid ja ettearvamatud tagajärjed. AI riskide juhtimiseks sobilikud strateegiaid ja raamistikud. Tehisintellektisüsteemide ohutus ja töökindlus. Riskide hindamine ja analüüs, riskide maandamine, kontroll ning hilisem jälgimine ja aruandlus. Riskijuhtimisega seotud sidusrühmad, sealhulgas tehisintellekti arendajaid, seadusandjad ja lõppkasutajaid.
AI süsteemi juurutamine ettevõttes (Implementing AI in an enterprise) (2 ak.t.)	AI lahenduse juurutamine on sekkumine ettevõtte praegustesse protsessidesse. Loengus käsitletakse äriprotsessi ümberkujundamist AI süsteemide integreerimisel. AI lahenduse edukaks saamisele on vaja eelnevalt tegeleda paljude küsimustega ettevõtte kõikidel tasanditel. Millised on ettevõtte vajadused? Millised on ettevõtte võimalused? Millised on AI-tehnoloogiavõimalused? Süsteemi arendamine ja kaasnevate protseduuride väljatöötamine nii operatsioonitasandile kui strateegilisele juhtimistasandile.
AI efektiivsuse hindamine ja valideerimine ettevõttes (Effectiveness assessment and validation of AI in a company) (2-6 ak.t)	Äriuuringute ühendamine andmeteadusega võimaldab luua väärtuslikke teaduslikke ja praktilisi teadmisi keerukast mehaanikast, kuidas ettevõtted peaksid toimima. Iga AI-lahenduse poole püüdlev ettevõte peaks kindlaks määrama selle lahenduse elujõulisuse – tagades, et projekt on nii juriidiliselt ja tehniliselt teostatav kui ka majanduslikult põhjendatud. Enne jätkamist on oluline kindlaks teha, kas projekt on investeeringut väärt. Tehisintellekti sekkumise majanduslikku mõju saab mõõta tegevuse tõhususe , süsteemi töökindluse ja sidusrühmade rahulolu kaudu. Ettevõtted rakendavad erinevaid uuringuviise AI realiseerimiseks, näiteks a) Teostatavusuuringud (sh Tehnilise teostatavuse uuringud, Toimivuse teostatavusuuringud, Majanduslikud teostatavusuuringud, Õiguslikud teostatavusuuringud) ja b) Sekkumisuuringud.
AI äriplatvormid (AI business platforms) (2-6 ak.t.)	Loeng tutvustab erinevaid ettevõtetele saadaolevaid tehisintellekti (AI) platvorme. Nimetatud platvormide omadused ja võimalused; kuidas neid kasutada ettevõtte tehisintellektilahenduste arendamiseks ja käikulaskmiseks. Andmete ettevalmistamine, mudelikoolitus, mudeli juurutamine ning pidev haldamine ja optimeerimine. Väljakutsed ja kaalutlused, mida ettevõtted peaksid nimetatud platvormide kasutamisel arvestama, sh maksumus, andmete privaatsus, eetika ja turvalisus. Ettevõtte valikud: kas arendada oma AI-rakendus või kasutada äri-AI platvorme? Suurte tehnoloogiahiidude platvormid: Microsoft Azure, IBM Watson, Google Cloud ML, Amazon AWS. Teised väiksemad ärilahenduste platvormid ja koodivabad AI-tööriistad. Demonstratsioonid, näited erinevate platvormide kasutamisest.