Struttura del corso

Introduzione alle Tecniche Avanzate di XAI

  • Riepilogo dei metodi di base XAI
  • Sfide nell'interpretazione di modelli AI complessi
  • Tendenze nella ricerca e lo sviluppo XAI

Tecniche di Spiegabilità Agnostica ai Modelli

  • SHAP (SHapley Additive exPlanations)
  • LIME (Local Interpretable Model-agnostic Explanations)
  • Spiegazioni di ancoraggio

Tecniche di Spiegabilità Specifiche ai Modelli

  • Propagazione della rilevanza livello per livello (LRP)
  • DeepLIFT (Deep Learning Important FeaTures)
  • Metodi basati sui gradienti (Grad-CAM, Integrated Gradients)

Spiegando Modelli di Apprendimento Profondo

  • Interpretazione delle reti neurali convolutive (CNNs)
  • Spiegazioni per reti neurali ricorrenti (RNNs)
  • Analisi di modelli basati su transformer (BERT, GPT)

Gestione delle Sfide nell'Interpretazione

  • Affrontare le limitazioni dei modelli a scatola nera
  • Bilanciare accuratezza e interpretabilità
  • Gestire bias e equità nelle spiegazioni

Applicazioni di XAI nei Sistemi del Mondo Reale

  • XAI nel settore sanitario, finanza e sistemi giuridici
  • Regolamentazione AI e requisiti di conformità
  • Costruire fiducia ed affidabilità attraverso l'XAI

Tendenze Future nell'Ai Spiegabile

  • Tecniche e strumenti emergenti in XAI
  • Modelli di spiegabilità della prossima generazione
  • Opportunità e sfide nella trasparenza AI

Sintesi ed Esecuzione dei Passaggi Successivi

Requisiti

  • Comprendimento solido di IA e machine learning
  • Esperienza con reti neurali e deep learning
  • Familiarità con tecniche base XAI

Pubblico

  • Ricercatori AI esperti
  • Ingegneri di machine learning
 21 ore

Numero di Partecipanti


Prezzo per Partecipante

Corsi in Arrivo

Categorie relative