Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
Introducción a las técnicas avanzadas de XAI
- Revisión de métodos básicos de XAI
- Desafíos al interpretar modelos de IA complejos
- Tendencias en la investigación y el desarrollo de XAI
Técnicas de explicabilidad independientes del modelo
- SHAP (SHapley Additive exPlanations)
- LIME (Local Interpretable Model-agnostic Explanations)
- Explicaciones basadas en anclas (Anchor explanations)
Técnicas de explicabilidad específicas del modelo
- Propagación de relevancia por capas (LRP)
- DeepLIFT (Deep Learning Important FeaTures)
- Métodos basados en gradientes (Grad-CAM, Gradientes integrados)
Explicación de modelos de aprendizaje profundo
- Interpretación de redes neuronales convolucionales (CNN)
- Explicación de redes neuronales recurrentes (RNN)
- Análisis de modelos basados en transformadores (BERT, GPT)
Manejo de desafíos de interpretabilidad
- Abordar las limitaciones de los modelos de «caja negra»
- Equilibrar la precisión y la interpretabilidad
- Abordar el sesgo y la equidad en las explicaciones
Aplicaciones de XAI en sistemas del mundo real
- XAI en sistemas de salud, finanzas y legales
- Requisitos de regulación y cumplimiento de la IA
- Construir confianza y responsabilidad a través de XAI
Tendencias futuras en IA Explicable
- Técnicas y herramientas emergentes en XAI
- Modelos de explicabilidad de próxima generación
- Oportunidades y desafíos en la transparencia de la IA
Resumen y próximos pasos
Requerimientos
- Sólida comprensión de la IA y el aprendizaje automático.
- Experiencia con redes neuronales y aprendizaje profundo.
- Familiaridad con técnicas básicas de XAI.
Público objetivo
- Investigadores de IA con experiencia.
- Ingenieros de aprendizaje automático.
21 Horas
