Schulungsübersicht

Einführung in Explainable AI

  • Was ist Explainable AI (XAI)?
  • Die Bedeutung der Transparenz in KI-Modellen
  • Hauptforderungen bei der Interpretierbarkeit von KI

Grundlegende XAI-Techniken

  • Modell-unabhängige Methoden: LIME, SHAP
  • Modellspezifische Erklärungsmethoden
  • Erklären von Entscheidungen durch Black-Box-Modelle

Praxis mit XAI-Tools

  • Einführung in Open-Source-XAI-Bibliotheken
  • Implementierung von XAI in einfachen maschinellen Lernmodellen
  • Visualisieren von Erklärungen und Modellverhalten

Herausforderungen bei der Interpretierbarkeit

  • Trade-offs zwischen Genauigkeit und Interpretierbarkeit
  • Begrenzungen aktueller XAI-Methoden
  • Umgang mit Bias und Fairness in erklärbaren Modellen

Ethische Aspekte von XAI

  • Verständnis der ethischen Implikationen von KI-Transparenz
  • Gleichgewicht zwischen Erklärbarkeit und Modellleistung
  • Datenschutzbedenken in XAI

Praktische Anwendungen von XAI

  • XAI im Gesundheitswesen, der Finanzindustrie und bei der Polizei
  • Regulatorische Anforderungen an Erklärbarkeit
  • Aufbau von Vertrauen in KI-Systeme durch Transparenz

Fortgeschrittene XAI-Konzepte

  • Erforschung kontrafaktischer Erklärungen
  • Erklären von neuronalen Netzen und tiefen Lernmodellen
  • Interpretieren komplexer KI-Systeme

Zukünftige Trends in Explainable AI

  • Entstehende Techniken im XAI-Forschungsbereich
  • Herausforderungen und Chancen für zukünftige KI-Transparenz
  • Auswirkungen von XAI auf verantwortungsbehaftete KI-Entwicklung

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Grundlegendes Verständnis von Machine-Learning-Konzepten
  • Bekanntschaft mit Python-Programmierung

Zielpublikum

  • AI-Anfänger
  • Begeisterte von Data Science
 14 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Kommende Kurse

Verwandte Kategorien