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

Número de participantes


Precio por Participante​

Próximos cursos

Categorías Relacionadas