Schulungsübersicht

Einführung in Explainable AI (XAI) und Modelltransparenz

  • Was ist Explainable AI?
  • Warum Transparenz in KI-Systemen wichtig ist
  • Interpretierbarkeit versus Leistungsfähigkeit von KI-Modellen

Überblick über XAI-Techniken

  • Modellagnostische Methoden: SHAP, LIME
  • Modellspezifische Erklärungstechniken
  • Erläuterung von neuronalen Netzen und Tiefenlern-Modellen

Transparenzfähige AI-Modelle erstellen

  • Praktische Implementierung interpretierbarer Modelle
  • Vergleich transparenter Modelle mit Black-Box-Modellen
  • Ausbalancieren von Komplexität und Interpretierbarkeit

Erweiterte XAI-Werkzeuge und Bibliotheken

  • Nutzung von SHAP zur Modellinterpretation
  • Nutzung von LIME für lokale Erklärungen
  • Visualisierung der Entscheidungen und Verhaltensweisen von Modellen

Gerechtigkeit, Bias und ethische KI behandeln

  • Identifizieren und Mitigieren von Biases in KI-Modellen
  • Gerechtigkeit in der KI und ihre gesellschaftlichen Auswirkungen
  • Gewährleistung von Verantwortung und Ethik bei der Nutzung von KI

Praktische Anwendungen von XAI

  • Fallstudien im Gesundheitswesen, in der Finanzindustrie und im Bereich der Regierung
  • Interpretation von AI-Modellen für die Rechtseinhaltung
  • Vertrauen durch transparente KI-Systeme aufbauen

Zukünftige Entwicklungen in der Erklärbarkeit von KI

  • Neueste Forschungsergebnisse im Bereich XAI
  • Herausforderungen bei der Skalierung von XAI für große Systeme
  • Chancen für die Zukunft transparenter KI

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Erfahrung im Bereich Maschinelles Lernen und Entwicklung von KI-Modellen
  • Kenntnisse in Python-Programmierung

Zielgruppe

  • Datenwissenschaftler
  • Maschinelles-Lernen-Ingenieure
  • KI-Spezialisten
 21 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Kommende Kurse

Verwandte Kategorien