Děkujeme za vaši dotaz! Jeden z našich pracovníků vás brzy kontaktuje.
Děkujeme za rezervaci! Jeden z našich pracovníků vás brzy kontaktuje.
Návrh Školení
Úvod do pokročilých technik XAI
- Přehled základních metod XAI
- Problémy při interpretaci složitých modelů umělé inteligence
- Trendy ve výzkumu a vývoji technik XAI
Techniky vysvětlování modelů nezávislé na jejich typu
- SHAP (SHapley Additive exPlanations)
- LIME (Local Interpretable Model-agnostic Explanations)
- Metoda Anchor explanations
Techniky vysvětlování specifické pro konkrétní typy modelů
- Propagace relevance podle jednotlivých vrstev (LRP)
- DeepLIFT (Deep Learning Important FeaTures)
- Metody založené na gradientech (Grad-CAM, Integrated Gradients)
Vysvětlování hlubokých neuronových sítí
- Interpretace konvolučních neuronových sítí (CNN)
- Vysvětlování rekurentních neuronových sítí (RNN)
- Analýza modelů typu transformer (BERT, GPT)
Řešení problémů spojených s interpretabilitou
- Jak se vypořádat s omezeními modelů typu „black-box“
- Vyvažování přesnosti a srozumitelnosti modelů
- Práce s problematikou biasu a spravedlnosti v rámci vysvětlení rozhodnutí modelů
Praktické využití XAI v reálných systémech
- Použití technik XAI ve zdravotnictví, finančnictví a právních systémech
- Regulace umělé inteligence a požadavky na její soulad se zákony
- Budování důvěry a odpovědnosti prostřednictvím vysvětlitelné umělé inteligence
Budoucí trendy ve vývoji vysvětlitelné umělé inteligence
- Nové techniky a nástroje pro XAI
- Generace příštích generací modelů vysvětlování rozhodnutí umělé inteligence
- Příležitosti a výzvy v oblasti transparentnosti umělé inteligence
Závěr a další kroky
Požadavky
- Dobrá znalost umělé inteligence a strojového učení
- Zkušenosti s neuronovými sítěmi a hlubokým učením
- Obecná znalost základních technik vysvětlitelné umělé inteligence
Cílová skupina
- Zkušení výzkumníci v oblasti umělé inteligence
- Inženýři strojového učení
21 Hodiny
