Grazie per aver inviato la tua richiesta! Uno dei nostri team membri ti contatterà a breve.
Grazie per aver inviato il tuo prenotazione! Uno dei nostri team membri ti contatterà a breve.
Struttura del corso
Introduzione alle tecniche avanzate di XAI
- Riepilogo dei metodi di base di XAI
- Sfide nell’interpretazione dei modelli di AI complessi
- Tendenze attuali nella ricerca e nello sviluppo dell’XAI
Tecniche di spiegabilità indipendenti dal modello
- SHAP (SHapley Additive exPlanations)
- LIME (Local Interpretable Model-agnostic Explanations)
- Spiegazioni basate su Anchor
Tecniche di spiegabilità specifiche per il modello
- Propagazione della rilevanza a livello di strati (LRP)
- DeepLIFT (Deep Learning Important FeaTures)
- Metodi basati sui gradienti (Grad-CAM, Gradiente Integrato)
Spiegazione dei modelli di deep learning
- Interpretazione delle reti neurali convoluzionali (CNN)
- Spiegazione delle reti neurali ricorrenti (RNN)
- Analisi dei modelli basati su trasformatori (BERT, GPT)
Gestione delle sfide di interpretabilità
- Superamento dei limiti dei modelli considerati “scatole nere”
- Equilibrio tra accuratezza e interpretabilità
- Gestione di bias ed equità nelle spiegazioni fornite dall’AI
Applicazioni dell’XAI nei sistemi reali
- Utilizzo dell’XAI in settori come sanità, finanza e giustizia
- Requisiti normativi e di conformità per l’utilizzo dell’intelligenza artificiale
- Costruzione della fiducia e responsabilità attraverso le spiegazioni fornite dall’AI
Prospettive future dell’AI spiegabile
- Nuove tecniche e strumenti in evoluzione nell’ambito dell’XAI
- I prossimi modelli di spiegabilità per l’intelligenza artificiale
- Opportunità e sfide legate alla trasparenza dell’AI
Sintesi finale e prossimi passi
Requisiti
- Buona conoscenza dell’intelligenza artificiale e del machine learning
- Esperienza nell’utilizzo di reti neurali e deep learning
- Conoscenze di base sulle tecniche XAI
Destinatari
- Ricercatori esperti in intelligenza artificiale
- Ingegneri specializzati in machine learning
21 ore
