Contattataci
 Durata 14 ore

Struttura del corso

Introduzione all'Intelligenza Artificiale Explicabile

  • Che cos'è l'Intelligenza Artificiale Explicabile (XAI)?
  • Importanza della trasparenza nei modelli di AI
  • Principali sfide nell'interpretabilità dell'AI

Tecniche XAI di Base

  • Metodi agnostici rispetto al modello: LIME, SHAP
  • Metodi di esplicabilità specifici per il modello
  • Spiegazione delle decisioni prese da modelli black-box

Pratica con Strumenti XAI

  • Introduzione alle librerie open-source XAI
  • Implementazione dell'XAI in semplici modelli di machine learning
  • Visualizzazione delle spiegazioni e del comportamento del modello

Sfide nell'Esplicabilità

  • Compromessi tra accuratezza e interpretabilità
  • Limiti dei metodi XAI attuali
  • Gestione di bias e equità nei modelli esplicabili

Considerazioni Etiche nell'XAI

  • Comprendere le implicazioni etiche della trasparenza dell'AI
  • Equilibrare esplicabilità e prestazioni del modello
  • Preoccupazioni riguardo alla privacy e alla protezione dei dati nell'XAI

Applicazioni Reali dell'XAI

  • XAI in ambito sanitario, finanziario e nelle forze dell'ordine
  • Requisiti normativi per l'esplicabilità
  • Costruire fiducia nei sistemi di AI attraverso la trasparenza

Concetti Avanzati di XAI

  • Esplorazione delle spiegazioni controfattuali
  • Spiegazione delle reti neurali e dei modelli di deep learning
  • Interpretazione di sistemi di AI complessi

Tendenze Future nell'Intelligenza Artificiale Explicabile

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

Requisiti

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

Pubblico di Riferimento

  • Principianti in ambito AI
  • Appassionati di Data Science

Numero di Partecipanti


Prezzo per partecipante

Corsi in Arrivo

Categorie relative