Advanced Techniques in Explainable AI (XAI)

• Solidne zrozumienie sztucznej inteligencji i uczenia maszynowego
• Doświadczenie z sieciami neuronowymi i głębokim uczeniem
• Znajomość podstawowych technik XAI

Publiczność

• Doświadczeni badacze sztucznej inteligencji
• Inżynierowie uczenia maszynowego

Kurs obejmuje najnowsze osiągnięcia w technikach Explainable AI (XAI), koncentrując się na przejrzystości modeli i możliwości interpretacji w złożonych systemach sztucznej inteligencji. Uczestnicy poznają modele głębokiego uczenia się, zaawansowane metody interpretowalności i ich zastosowania w rzeczywistych systemach sztucznej inteligencji.

To prowadzone przez instruktora szkolenie na żywo (na miejscu lub zdalnie) jest przeznaczone dla zaawansowanych profesjonalistów, którzy chcą pogłębić swoją wiedzę na temat technik XAI dla złożonych modeli sztucznej inteligencji.

Pod koniec tego szkolenia uczestnicy będą mogli

• Wdrażać najnowocześniejsze techniki XAI w modelach AI.
• Interpretować modele głębokiego uczenia się i ich decyzje.
• Stosować zaawansowane metody wyjaśniania niezależne od modelu i specyficzne dla modelu.
• Podejmować wyzwania związane z przejrzystością AI w złożonych systemach.

Format kursu

• Interaktywny wykład i dyskusja.
• Wiele ćwiczeń i praktyki.
• Praktyczne wdrożenie w środowisku laboratoryjnym na żywo.

Opcje dostosowywania kursu

• Aby poprosić o spersonalizowane szkolenie dla tego kursu, skontaktuj się z nami w celu ustalenia szczegółów.

Wprowadzenie do zaawansowanych technik XAI

• Przegląd podstawowych metod XAI
• Wyzwania w interpretacji złożonych modeli AI
• Trendy w badaniach i rozwoju XAI

Techniki wyjaśnialności niezależne od modelu

• SHAP (SHapley Additive exPlanations)
• LIME (Lokalne interpretowalne wyjaśnienia agnostyczne dla modelu)
• Wyjaśnienia zakotwiczone

Techniki wyjaśnialności specyficzne dla modelu

• Warstwowa propagacja relewancji (LRP)
• DeepLIFT (Deep Learning Important FeaTures)
• Metody oparte na gradientach (Grad-CAM, zintegrowane gradienty)

Wyjaśnianie modeli Deep Learning

• Interpretacja konwolucyjnych sieci neuronowych (CNN)
• Wyjaśnianie rekurencyjnych sieci neuronowych (RNN)
• Analiza modeli opartych na transformatorach (BERT, GPT)

Obsługa wyzwań związanych z interpretacją

• Radzenie sobie z ograniczeniami modeli typu black-box
• Równoważenie dokładności i interpretowalności
• Radzenie sobie z tendencyjnością i uczciwością w wyjaśnieniach

Zastosowania XAI w systemach świata rzeczywistego

• XAI w opiece zdrowotnej, finansach i systemach prawnych
• Regulacje dotyczące sztucznej inteligencji i wymogi zgodności
• Budowanie zaufania i odpowiedzialności poprzez XAI

Przyszłe trendy w wyjaśnialnej sztucznej inteligencji

• Pojawiające się techniki i narzędzia w XAI
• Modele wyjaśnialności nowej generacji
• Możliwości i wyzwania w zakresie przejrzystości AI

Podsumowanie i kolejne kroki