Struttura del corso

Introduzione all'intelligenza artificiale spiegabile

  • Che cos'è l'Explainable AI (XAI)?
  • Importanza della trasparenza nei modelli di intelligenza artificiale
  • Sfide chiave nell'interpretabilità dell'IA

Tecniche XAI di base

  • Metodi indipendenti dal modello: LIME, SHAP
  • Metodi di spiegabilità specifici del modello
  • Spiegare le decisioni prese dai modelli black-box

Hands-on con gli strumenti XAI

  • Introduzione alle librerie XAI open source
  • Implementazione di XAI in semplici modelli di Machine Learning
  • Visualizzazione delle spiegazioni e del comportamento del modello

Sfide nella spiegabilità

  • Compromessi tra accuratezza e interpretabilità
  • Limitazioni degli attuali metodi XAI
  • Gestione di pregiudizi e correttezza in modelli spiegabili

Considerazioni etiche in XAI

  • Comprendere le implicazioni etiche della trasparenza dell'IA
  • Bilanciare la spiegabilità con le prestazioni del modello
  • Problemi di privacy e protezione dei dati in XAI

Applicazioni reali di XAI

  • XAI nel settore sanitario, finanziario e delle forze dell'ordine
  • Requisiti normativi per la spiegabilità
  • Costruire la fiducia nei sistemi di IA attraverso la trasparenza

Concetti XAI avanzati

  • Esplorare le spiegazioni controfattuali
  • Spiegazione delle reti neurali e dei modelli di deep learning
  • Interpretazione di sistemi complessi di IA

Tendenze future nell'intelligenza artificiale spiegabile

  • Tecniche emergenti nella ricerca XAI
  • Sfide e opportunità per la futura trasparenza dell'IA
  • Impatto dell'XAI sullo sviluppo responsabile dell'IA

Riepilogo e passaggi successivi

Requisiti

  • Conoscenza di base dei concetti di machine learning
  • Familiarità con la programmazione Python

Pubblico

  • Principianti dell'IA
  • Appassionati di scienza dei dati
 14 ore

Numero di Partecipanti


Prezzo per Partecipante

Corsi in Arrivo

Categorie relative