Schulungsübersicht

Einführung in Explainable AI (XAI) und Modelltransparenz

  • Was ist erklärbare KI?
  • Warum Transparenz in KI-Systemen wichtig ist
  • Interpretierbarkeit vs. Leistung in KI-Modellen

Überblick über XAI-Techniken

  • Modell-agnostische Methoden: SHAP, LIME
  • Modellspezifische Erklärbarkeitstechniken
  • Erklärung von neuronalen Netzen und Deep-Learning-Modellen

Aufbau transparenter AI-Modelle

  • Implementierung von interpretierbaren Modellen in der Praxis
  • Vergleich zwischen transparenten Modellen und Black-Box-Modellen
  • Abwägen zwischen Komplexität und Erklärbarkeit

Fortgeschrittene XAI Tools und Bibliotheken

  • SHAP für die Modellinterpretation verwenden
  • Nutzung von LIME für lokale Erklärbarkeit
  • Visualisierung von Modellentscheidungen und Verhaltensweisen

Fairness, Voreingenommenheit und ethische KI adressieren

  • Identifizierung und Abschwächung von Verzerrungen in KI-Modellen
  • Fairness in der KI und ihre gesellschaftlichen Auswirkungen
  • Sicherstellung von Verantwortlichkeit und Ethik beim Einsatz von KI

Anwendungen von XAI in der realen Welt

  • Fallstudien in den Bereichen Gesundheitswesen, Finanzen und Regierung
  • Interpretation von KI-Modellen für die Einhaltung von Vorschriften
  • Vertrauensbildung mit transparenten KI-Systemen

Zukünftige Richtungen in erklärbarer KI

  • Neue Forschung im Bereich XAI
  • Herausforderungen bei der Skalierung von XAI für groß angelegte Systeme
  • Chancen für die Zukunft der transparenten KI

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Erfahrung im maschinellen Lernen und in der Entwicklung von KI-Modellen
  • Vertrautheit mit der Python-Programmierung

Zielgruppe

  • Datenwissenschaftler
  • Ingenieure für maschinelles Lernen
  • KI-Spezialisten
 21 Stunden

Teilnehmerzahl


Price per participant (excl. VAT)

Kommende Kurse

Verwandte Kategorien