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

Number of participants


Price per participant

Upcoming Courses

Related Categories