Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Struttura del corso
Introduzione alle tecniche XAI avanzate
- Revisione dei metodi XAI di base
- Sfide nell'interpretazione di modelli complessi di intelligenza artificiale
- Tendenze nella ricerca e sviluppo XAI
Tecniche di spiegabilità indipendenti dal modello
- SHAP (Spiegazioni degli additivi SHapley)
- LIME (Spiegazioni indipendenti dal modello interpretabile locale)
- Spiegazioni dell'ancoraggio
Tecniche di spiegabilità specifiche del modello
- Propagazione della rilevanza a livello (LRP)
- DeepLIFT (Deep Learning Caratteristiche importanti)
- Metodi basati sui gradienti (Grad-CAM, gradienti integrati)
Spiegazione dei modelli Deep Learning
- Interpretazione delle reti neurali convoluzionali (CNN)
- Spiegazione delle reti neurali ricorrenti (RNN)
- Analisi di modelli basati su trasformatori (BERT, GPT)
Gestione delle sfide di interpretabilità
- Risoluzione delle limitazioni del modello black-box
- Precisione e interpretabilità del bilanciamento
- Affrontare i pregiudizi e l'equità nelle spiegazioni
Applicazioni di XAI nei sistemi del mondo reale
- XAI nel settore sanitario, finanziario e dei sistemi giuridici
- Regolamentazione dell'IA e requisiti di conformità
- Costruire fiducia e responsabilità attraverso XAI
Tendenze future nell'intelligenza artificiale spiegabile
- Tecniche e strumenti emergenti in XAI
- Modelli di spiegabilità di nuova generazione
- Opportunità e sfide nella trasparenza dell'IA
Riepilogo e passaggi successivi
Requisiti
- Solida conoscenza dell'intelligenza artificiale e dell'apprendimento automatico
- Esperienza con le reti neurali e il deep learning
- Familiarità con le tecniche XAI di base
Pubblico
- Ricercatori esperti di intelligenza artificiale
- Ingegneri dell'apprendimento automatico
21 ore
