Course Outline

Εισαγωγή στο εξηγήσιμο AI

  • Τι είναι το εξηγήσιμο AI (XAI);
  • Η σημασία της διαφάνειας στα μοντέλα τεχνητής νοημοσύνης
  • Βασικές προκλήσεις στην ερμηνευτικότητα της τεχνητής νοημοσύνης

Βασικές Τεχνικές XAI

  • Μοντέλο-αγνωστικές μέθοδοι: LIME, SHAP
  • Μέθοδοι επεξήγησης για συγκεκριμένο μοντέλο
  • Εξήγηση των αποφάσεων που λαμβάνονται από μοντέλα μαύρου κουτιού

Hands-On με τα εργαλεία XAI

  • Εισαγωγή στις βιβλιοθήκες XAI ανοιχτού κώδικα
  • Εφαρμογή XAI σε απλά μοντέλα μηχανικής μάθησης
  • Οπτικοποίηση επεξηγήσεων και μοντέλο συμπεριφοράς

Προκλήσεις στην Επεξήγηση

  • Ανταλλαγή ακρίβειας έναντι ερμηνείας
  • Περιορισμοί των τρεχουσών μεθόδων XAI
  • Χειρισμός μεροληψίας και δικαιοσύνης σε εξηγήσιμα μοντέλα

Ηθικές Θεωρήσεις στο XAI

  • Κατανόηση των ηθικών επιπτώσεων της διαφάνειας της τεχνητής νοημοσύνης
  • Εξισορρόπηση της επεξήγησης με την απόδοση του μοντέλου
  • Ζητήματα απορρήτου και προστασίας δεδομένων στο XAI

Εφαρμογές του XAI σε πραγματικό κόσμο

  • XAI στην υγειονομική περίθαλψη, τα οικονομικά και την επιβολή του νόμου
  • Κανονιστικές απαιτήσεις για επεξήγηση
  • Οικοδόμηση εμπιστοσύνης στα συστήματα τεχνητής νοημοσύνης μέσω της διαφάνειας

Προηγμένες έννοιες XAI

  • Διερεύνηση αντιπραγματικών εξηγήσεων
  • Εξήγηση νευρωνικών δικτύων και μοντέλων βαθιάς μάθησης
  • Ερμηνεία πολύπλοκων συστημάτων AI

Μελλοντικές τάσεις στην εξηγήσιμη τεχνητή νοημοσύνη

  • Αναδυόμενες τεχνικές στην έρευνα XAI
  • Προκλήσεις και ευκαιρίες για μελλοντική διαφάνεια AI
  • Αντίκτυπος του XAI στην υπεύθυνη ανάπτυξη AI

Περίληψη και Επόμενα Βήματα

Requirements

  • Βασική κατανόηση των εννοιών μηχανικής μάθησης
  • Εξοικείωση με τον προγραμματισμό Python

Ακροατήριο

  • AI αρχάριοι
  • Λάτρεις της επιστήμης δεδομένων
 14 Hours

Number of participants


Price per participant

Upcoming Courses

Related Categories