Schulungsübersicht

Einführung in Explainable AI

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

Grundlegende XAI-Techniken

  • Modell-agnostische Methoden: LIME, SHAP
  • Modellspezifische Erklärbarkeitsmethoden
  • Erklären von Entscheidungen, die von Black-Box-Modellen getroffen werden

Praktische Übungen mit XAI-Tools

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

Herausforderungen bei der Erklärbarkeit

  • Abwägung zwischen Genauigkeit und Interpretierbarkeit
  • Grenzen der aktuellen XAI-Methoden
  • Umgang mit Verzerrungen und Fairness in erklärbaren Modellen

Ethische Erwägungen in XAI

  • Verstehen der ethischen Implikationen von KI-Transparenz
  • Abwägung zwischen Erklärbarkeit und Modellleistung
  • Belange der Privatsphäre und des Datenschutzes in XAI

Anwendungen von XAI in der realen Welt

  • XAI im Gesundheitswesen, im Finanzwesen und in der Strafverfolgung
  • Regulatorische Anforderungen an die Erklärbarkeit
  • Schaffung von Vertrauen in KI-Systeme durch Transparenz

Fortgeschrittene XAI-Konzepte

  • Erforschung kontrafaktischer Erklärungen
  • Erklärung von neuronalen Netzen und Deep-Learning-Modellen
  • Komplexe KI-Systeme interpretieren

Zukünftige Trends in erklärbarer KI

  • Aufkommende Techniken in der XAI-Forschung
  • Herausforderungen und Chancen für zukünftige KI-Transparenz
  • Auswirkungen von XAI auf eine verantwortungsvolle KI-Entwicklung

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Grundlegendes Verständnis von Konzepten des maschinellen Lernens
  • Vertrautheit mit der Python-Programmierung

Zielgruppe

  • KI-Anfänger
  • Enthusiasten der Datenwissenschaft
 14 Stunden

Teilnehmerzahl


Price per participant (excl. VAT)

Kommende Kurse

Verwandte Kategorien