Plan Szkolenia

Wprowadzenie do wyjaśnialnej sztucznej inteligencji (XAI) i przejrzystości modeli

  • Czym jest wytłumaczalna sztuczna inteligencja?
  • Dlaczego przejrzystość ma znaczenie w systemach sztucznej inteligencji
  • Interpretowalność a wydajność w modelach sztucznej inteligencji

Przegląd technik XAI

  • Metody niezależne od modelu: SHAP, LIME
  • Techniki wyjaśniania specyficzne dla modelu
  • Wyjaśnianie sieci neuronowych i modeli głębokiego uczenia się

Tworzenie przejrzystych modeli AI

  • Wdrażanie interpretowalnych modeli w praktyce
  • Porównanie modeli transparentnych z modelami typu black-box
  • Równoważenie złożoności z wyjaśnialnością

Zaawansowane narzędzia i biblioteki XAI

  • Wykorzystanie SHAP do interpretacji modeli
  • Wykorzystanie LIME do lokalnej objaśnialności
  • Wizualizacja decyzji i zachowań modelu

Uczciwość, stronniczość i etyczna sztuczna inteligencja

  • Identyfikacja i łagodzenie stronniczości w modelach sztucznej inteligencji
  • Sprawiedliwość w sztucznej inteligencji i jej wpływ na społeczeństwo
  • Zapewnienie odpowiedzialności i etyki we wdrażaniu sztucznej inteligencji

Zastosowania XAI w świecie rzeczywistym

  • Studia przypadków w opiece zdrowotnej, finansach i administracji publicznej
  • Interpretacja modeli AI pod kątem zgodności z przepisami
  • Budowanie zaufania dzięki przejrzystym systemom sztucznej inteligencji

Przyszłe kierunki w wyjaśnialnej sztucznej inteligencji

  • Pojawiające się badania w dziedzinie XAI
  • Wyzwania w skalowaniu XAI dla systemów na dużą skalę
  • Możliwości dla przyszłości przejrzystej sztucznej inteligencji

Podsumowanie i kolejne kroki

Wymagania

  • Doświadczenie w uczeniu maszynowym i tworzeniu modeli AI
  • Znajomość programowania Python

Uczestnicy

  • Naukowcy zajmujący się danymi
  • Inżynierowie uczenia maszynowego
  • Specjaliści ds. sztucznej inteligencji
 21 godzin

Liczba uczestników


cena netto za uczestnika

Propozycje terminów

Powiązane Kategorie