Kontakt aufnehmen

Schulungsübersicht

Einführung in erklärbare KI (XAI) sowie Transparenz bei Modellen

  • Was versteht man unter erklärbarer KI?
  • Warum ist Transparenz in KI-Systemen so wichtig?
  • Interpretierbarkeit im Vergleich zu Modellleistung

Überblick über XAI-Techniken

  • Modellunabhängige Methoden: SHAP, LIME
  • Modellspezifische Techniken zur Erklärbarkeit
  • Wie lässt sich die Funktionsweise von neuronalen Netzen und Deep-Learning-Modellen erklären?

Entwicklung transparenter KI-Modelle

  • Praktische Umsetzung interpretierbarer Modelle
  • Vergleich zwischen transparenten und Black-Box-Modellen
  • Wie lässt sich die Komplexität mit der Erklärbarkeit in Einklang bringen?

Fortgeschrittene XAI-Tools und -Bibliotheken

  • Nutzung von SHAP zur Interpretation von Modellen
  • Einsatz von LIME zur lokalen Erklärbarkeit
  • Visualisierung von Entscheidungen und Verhalten der Modelle

Umgang mit Fairness, Bias sowie ethischen Aspekten in der KI

  • Erkennung und Verminderung von Verzerrungen in KI-Modellen
  • Fairness bei KI-Systemen und ihre gesellschaftlichen Auswirkungen
  • Sicherstellung von Verantwortlichkeit und Ethik bei der Implementierung von KI

Reale Anwendungsfälle für erklärbare KI

  • Beispiele aus dem Gesundheitswesen, der Finanzbranche und dem öffentlichen Sektor
  • Interpretation von KI-Modellen im Rahmen gesetzlicher Vorgaben
  • Vertrauensaufbau durch transparente KI-Systeme

Zukünftige Entwicklungen im Bereich der erklärbaren KI

  • Aktuelle Forschungsrichtungen in der XAI
  • Herausforderungen bei der Skalierung von XAI für große Systeme
  • Chancen und Perspektiven transparenter KI in Zukunft

Zusammenfassung und nächste Schritte

Voraussetzungen

  • Erfahrung in der Entwicklung von maschinellen Lernmodellen und KI-Systemen
  • Grundkenntnisse in der Python-Programmierung

Zielgruppe

  • Datenwissenschaftler
  • Ingenieure für maschinelles Lernen
  • KI-Spezialisten
 21 Stunden

Teilnehmerzahl


Preis je Teilnehmer (exkl. USt)

Kommende Kurse

Verwandte Kategorien