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 vysvětlitelné umělé inteligence (XAI) a transparentnosti modelů UI
- Co je to vysvětlitelná umělá inteligence?
- Proč je transparentnost u systémů UI důležitá
- Interpretovatelnost versus výkon modelů UI
Přehled technik XAI
- Metody nezávislé na konkrétním modelu: SHAP, LIME
- Techniky vysvětlitelnosti specifické pro určitý typ modelu
- Jak vysvětlovat neuronové sítě a modely hlubokého učení
Vytváření transparentních modelů UI
- Praktická implementace interpretovatelných modelů
- Srovnání transparentních a neprůhledných modelů UI
- Jak sladit složitost s možností vysvětlení výsledků modelu
Pokročilé nástroje a knihovny XAI
- Využití nástroje SHAP k interpretaci modelů UI
- Využití LIME pro místní vysvětlování chování modelu
- Vizualizace rozhodnutí a reakcí modelů UI
Řešení otázek spravedlnosti, předsudků a etiky v umělé inteligenci
- Jak identifikovat a eliminovat předsudky u modelů UI
- Spravedlnost v rámci UI a její dopady na společnost
- Jak zajistit odpovědnost a etiku při nasazení modelů UI
Reálné využití XAI
- Příklady z praxe ze zdravotnictví, financí a veřejné správy
- Jak interpretovat modely UI pro splnění požadavků regulace
- Budování důvěry v systémy UI díky jejich transparentnosti
Budoucí směřování vysvětlitelné umělé inteligence
- Nové trendy ve výzkumu XAI
- Výzvy spojené s šířším využitím XAI u rozsáhlých systémů UI
- Příležitosti pro rozvoj transparentních systémů UI v budoucnu
Shrnutí a další kroky
Požadavky
- Praxe v oblasti strojového učení a vývoje modelů UI
- Znalost programování v jazyce Python
Cílová skupina
- Datoví vědci
- Inženýři strojového učení
- Odborníci na umělou inteligenci
21 Hodiny
