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.
Programa del Curso
Introducción a la IA explicable (XAI) y la transparencia del modelo
- ¿Qué es la IA explicable?
- Por qué es importante la transparencia en los sistemas de IA
- Interpretabilidad vs. rendimiento en modelos de IA
Descripción general de las técnicas XAI
- Métodos agnósticos del modelo: SHAP, LIME
- Técnicas de explicabilidad específicas del modelo
- Explicación de las redes neuronales y los modelos de aprendizaje profundo
Creación de modelos de IA transparentes
- Implementación de modelos interpretables en la práctica
- Comparación de modelos transparentes frente a modelos de caja negra
- Equilibrar la complejidad con la explicabilidad
Herramientas y bibliotecas XAI avanzadas
- Uso de SHAP para la interpretación de modelos
- Aprovechamiento de LIME para la explicabilidad local
- Visualización de las decisiones y comportamientos del modelo
Abordar la equidad, el sesgo y la IA ética
- Identificación y mitigación de sesgos en modelos de IA
- La equidad en la IA y sus impactos sociales
- Garantizar la rendición de cuentas y la ética en el despliegue de la IA
Aplicaciones de XAI en el mundo real
- Estudios de caso en atención médica, finanzas y gobierno
- Interpretación de los modelos de IA para el cumplimiento normativo
- Generar confianza con sistemas de IA transparentes
Direcciones futuras de la IA explicable
- Investigación emergente en XAI
- Desafíos en el escalado de XAI para 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 Python programación
Audiencia
- Científicos de datos
- Ingenieros de aprendizaje automático
- Especialistas en IA
21 Horas