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 la IA explicable (XAI) y la transparencia de los modelos
- ¿Qué es la IA explicable?
- Por qué la transparencia es importante en los sistemas de IA.
- Interpretabilidad frente a rendimiento en los modelos de IA.
Panorama general de las técnicas de XAI
- Métodos independientes del modelo: SHAP, LIME.
- Técnicas de explicabilidad específicas del modelo.
- Explicación de redes neuronales y modelos de aprendizaje profundo.
Construcción de modelos de IA transparentes
- Implementación de modelos interpretables en la práctica.
- Comparación de modelos transparentes frente a modelos de caja negra.
- Equilibrio entre complejidad y explicabilidad.
Herramientas y bibliotecas avanzadas de XAI
- Uso de SHAP para la interpretación de modelos.
- Aprovechamiento de LIME para la explicabilidad local.
- Visualización de decisiones y comportamientos del modelo.
Abordaje de la equidad, el sesgo y la IA ética
- Identificación y mitigación del sesgo en los modelos de IA.
- Equidad en la IA y sus impactos sociales.
- Garantizar la responsabilidad y la ética en el despliegue de la IA.
Aplicaciones del mundo real de la XAI
- Estudios de caso en salud, finanzas y gobierno.
- Interpretación de modelos de IA para el cumplimiento normativo.
- Construcción de confianza con sistemas de IA transparentes.
Futuras direcciones en la IA explicable
- Investigación emergente en XAI.
- Desafíos para escalar la XAI en sistemas a gran escala.
- Oportunidades para el futuro de la IA transparente.
Resumen y próximos pasos
Requerimientos
- Experiencia en aprendizaje automático y desarrollo de modelos de IA.
- Familiaridad con la programación en Python.
Público objetivo
- Científicos de datos.
- Ingenieros de aprendizaje automático.
- Especialistas en IA.
21 Horas
