Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
Einführung in fortgeschrittene XAI-Techniken
- Überblick über grundlegende XAI-Methoden
- Herausforderungen bei der Interpretation komplexer KI-Modelle
- Aktuelle Entwicklungen und Trends in der XAI-Forschung
Modellunabhängige Erklärbarkeitstechniken
- SHAP (SHapley Additive exPlanations)
- LIME (Local Interpretable Model-agnostic Explanations)
- Anchor-Erklärungen
Modellspezifische Erklärbarkeitstechniken
- Layer-wise relevance propagation (LRP)
- DeepLIFT (Deep Learning Important FeaTures)
- Gradientenbasierte Methoden (Grad-CAM, Integrated Gradients)
Erklärung von Deep-Learning-Modellen
- Interpretation konvolutionaler neuronaler Netze (CNNs)
- Analyse rekurrenter neuronaler Netze (RNNs)
- Untersuchung transformatorbasierter Modelle wie BERT und GPT
Bewältigung von Herausforderungen hinsichtlich Erklärbarkeit
- Überwindung der Grenzen sogenannter Black-Box-Modelle
- Abwägung zwischen Genauigkeit und Interpretierbarkeit
- Umgang mit Bias sowie Fairnessaspekten in Erklärungen
Anwendungen von XAI in realen Systemen
- Einsatz von XAI im Gesundheitswesen, in der Finanzbranche und im Rechtsbereich
- Anforderungen hinsichtlich Regulierung und Compliance bei KI-Systemen
- Aufbau von Vertrauen sowie Verantwortungsbewusstsein durch XAI
Zukünftige Entwicklungen in der erklärbaren KI
- Neu entstehende Techniken und Werkzeuge im Bereich XAI
- Nächste Generation von Erklärbarkeitsmodellen
- Chancen sowie Herausforderungen bei der Steigerung der Transparenz in KI-Systemen
Zusammenfassung und weitere Schritte
Voraussetzungen
- Solides Verständnis von KI und maschinellem Lernen
- Erfahrung mit neuronalen Netzen sowie Deep Learning
- Grundkenntnisse in gängigen XAI-Techniken
Zielgruppe
- Erfahrene KI-Forscher
- Maschinell-Lern-Entwickler
21 Stunden
