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 erklärbare KI
- Was ist erklärbare KI (XAI)?
- Die Bedeutung von Transparenz bei KI-Modellen
- Hauptherausforderungen hinsichtlich der Interpretierbarkeit von KI
Grundlegende XAI-Techniken
- Modellunabhängige Methoden: LIME, SHAP
- Modellspezifische Verfahren zur Erklärbarkeit
- Wie man Entscheidungen von Black-Box-Modellen erklärt
Praktische Arbeit mit XAI-Werkzeugen
- Einführung in Open-Source-XAI-Bibliotheken
- Umsetzung von XAI bei einfachen maschinellen Lernalgorithmen
- Visualisierung der Erklärungen sowie des Modellverhaltens
Herausforderungen bei der Erklärbarkeit
- Das Abwägen zwischen Genauigkeit und Interpretierbarkeit
- Grenzen aktueller XAI-Methoden
- Umgang mit Vorurteilen und Fairnessaspekten in erklärbaren Modellen
Ethische Aspekte der erklärbaren KI
- Die ethischen Auswirkungen von Transparenz in der KI
- Das Gleichgewicht zwischen Erklärbarkeit und Modelleffizienz
- Datenschutz- und Privatsphäreaspekte im Zusammenhang mit XAI
Praktische Anwendungsbereiche von XAI
- Einsatzmöglichkeiten in Medizin, Finanzwesen und der Strafverfolgung
- Gesetzliche Vorgaben bezüglich Erklärbarkeit
- Aufbau von Vertrauen in KI-Systeme durch Transparenz
Fortgeschrittene Konzepte der erklärbaren KI
- Kontrafaktische Erklärungen im Überblick
- Die Erklärbarkeit von neuronalen Netzen und tiefen Lernalgorithmen
- Interpretation komplexer KI-Systeme
Zukünftige Entwicklungen in der erklärbaren KI
- Neue Methoden in der XAI-Forschung
- Herausforderungen und Chancen für zukünftige Transparenzentwicklungen bei KI
- Auswirkungen von XAI auf die Entwicklung verantwortungsvoller KI-Systeme
Zusammenfassung und weitere Schritte
Voraussetzungen
- Grundkenntnisse in Konzepten des maschinellen Lernens
- Kenntnisse der Programmiersprache Python
Zielgruppe
- Anfänger in der KI-Branche
- Interessierte im Bereich Datenwissenschaft
14 Stunden