Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Course Outline
Εισαγωγή στο εξηγήσιμο AI (XAI) και στη Διαφάνεια Μοντέλου
- Τι είναι το Explainable AI;
- Γιατί η διαφάνεια έχει σημασία στα συστήματα AI
- Ερμηνευσιμότητα έναντι απόδοσης σε μοντέλα τεχνητής νοημοσύνης
Επισκόπηση Τεχνικών XAI
- Μοντέλο-αγνωστικές μέθοδοι: SHAP, LIME
- Τεχνικές επεξήγησης για συγκεκριμένο μοντέλο
- Εξήγηση νευρωνικών δικτύων και μοντέλων βαθιάς μάθησης
Δημιουργία διαφανών μοντέλων AI
- Εφαρμογή ερμηνεύσιμων μοντέλων στην πράξη
- Σύγκριση διαφανών μοντέλων με μοντέλα μαύρου κουτιού
- Εξισορρόπηση της πολυπλοκότητας με την επεξήγηση
Προηγμένα εργαλεία και βιβλιοθήκες XAI
- Χρήση του SHAP για την ερμηνεία του μοντέλου
- Αξιοποιώντας το LIME για τοπική επεξήγηση
- Οπτικοποίηση μοντέλων αποφάσεων και συμπεριφορών
Αντιμετώπιση δικαιοσύνης, προκατάληψης και ηθικής τεχνητής νοημοσύνης
- Εντοπισμός και μετριασμός της μεροληψίας σε μοντέλα AI
- Δικαιοσύνη στην τεχνητή νοημοσύνη και οι κοινωνικές επιπτώσεις της
- Διασφάλιση λογοδοσίας και ηθικής στην ανάπτυξη της τεχνητής νοημοσύνης
Εφαρμογές του XAI σε πραγματικό κόσμο
- Μελέτες περιπτώσεων στην υγειονομική περίθαλψη, τα οικονομικά και την κυβέρνηση
- Ερμηνεία μοντέλων AI για κανονιστική συμμόρφωση
- Οικοδόμηση εμπιστοσύνης με διαφανή συστήματα AI
Μελλοντικές κατευθύνσεις σε εξηγήσιμη τεχνητή νοημοσύνη
- Αναδυόμενη έρευνα στο XAI
- Προκλήσεις στην κλιμάκωση XAI για συστήματα μεγάλης κλίμακας
- Ευκαιρίες για το μέλλον της διαφανούς τεχνητής νοημοσύνης
Περίληψη και Επόμενα Βήματα
Requirements
- Εμπειρία στη μηχανική μάθηση και ανάπτυξη μοντέλων AI
- Εξοικείωση με τον προγραμματισμό Python
Ακροατήριο
- Επιστήμονες δεδομένων
- Μηχανικοί μηχανικής εκμάθησης
- Ειδικοί τεχνητής νοημοσύνης
21 Hours