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 en la interpretación de modelos complejos de IA.
- Tendencias en investigación y desarrollo de XAI.
Técnicas de explicabilidad independientes del modelo
- SHAP (SHapley Additive exPlanations)
- LIME (Local Interpretable Model-agnostic Explanations)
- Explicaciones con Anclas.
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 los desafíos de interpretabilidad
- Abordaje de las limitaciones de los modelos de caja negra.
- Equilibrio entre precisión e interpretabilidad.
- Manejo del sesgo y la equidad en las explicaciones.
Aplicaciones de XAI en sistemas del mundo real
- XAI en los ámbitos de la salud, finanzas y sistemas legales.
- Requisitos de regulación y cumplimiento de la IA.
- Construcción de confianza y responsabilidad a través de XAI.
Tendencias futuras en IA Explicable
- Técnicas y herramientas emergentes en XAI.
- Modelos de explicabilidad de nueva 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
