Kontakt aufnehmen

Schulungsübersicht

Einführung in Explainable AI

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

Grundlegende XAI-Techniken

  • Modellunabhängige Methoden: LIME, SHAP
  • Modellspezifische Erklärbarkeitsmethoden
  • Erklärung der Entscheidungen von Black-Box-Modellen

Praktische Arbeit mit XAI-Tools

  • Einführung in Open-Source-XAI-Bibliotheken
  • Implementierung von XAI in einfachen Machine-Learning-Modellen
  • Visualisierung von Erklärungen und Modellverhalten

Herausforderungen bei der Erklärbarkeit

  • Zielkonflikte zwischen Genauigkeit und Interpretierbarkeit
  • Einschränkungen aktueller XAI-Methoden
  • Umgang mit Bias und Fairness in erklärbaren Modellen

Ethische Aspekte von XAI

  • Verständnis der ethischen Implikationen von KI-Transparenz
  • Ausgleich zwischen Erklärbarkeit und Modellleistung
  • Datenschutzbedenken im Rahmen von XAI

Praxisanwendungen von XAI

  • XAI in den Bereichen Gesundheit, Finanzwesen und Strafverfolgung
  • Rechtliche Vorgaben zur Erklärbarkeit
  • Vertrauensaufbau in KI-Systemen durch Transparenz

Fortgeschrittene XAI-Konzepte

  • Erforschung von Gegentheorien (Counterfactual Explanations)
  • Erklärung von neuronalen Netzen und Deep-Learning-Modellen
  • Interpretation komplexer KI-Systeme

Zukünftige Trends in der Explainable AI

  • Neue Forschungsansätze im Bereich XAI
  • Herausforderungen und Chancen für künftige KI-Transparenz
  • Einfluss von XAI auf die Entwicklung verantwortungsvoller KI

Zusammenfassung und weitere Schritte

Voraussetzungen

  • Grundlegende Kenntnisse in Machine-Learning-Konzepten
  • Vertrautheit mit der Python-Programmierung

Zielgruppe

  • KI-Einsteiger
  • Data-Science-Enthusiasten
 14 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Kommende Kurse

Verwandte Kategorien