Entrar em Contato

Programa do Curso

Introdução às Técnicas Avançadas de XAI

  • Revisão dos métodos básicos de XAI
  • Desafios na interpretação de modelos complexos de IA
  • Tendências em pesquisa e desenvolvimento de XAI

Técnicas de Explicabilidade Independentes do Modelo

  • SHAP (SHapley Additive exPlanations)
  • LIME (Local Interpretable Model-agnostic Explanations)
  • Explicações por âncora (Anchor explanations)

Técnicas de Explicabilidade Específicas do Modelo

  • Propagação de Relevância em Camadas (Layer-wise Relevance Propagation - LRP)
  • DeepLIFT (Deep Learning Important FeaTures)
  • Métodos baseados em gradiente (Grad-CAM, Gradientes Integrados)

Explicando Modelos de Aprendizado Profundo

  • Interpretando redes neurais convolucionais (CNNs)
  • Explicando redes neurais recorrentes (RNNs)
  • Analisando modelos baseados em transformadores (BERT, GPT)

Lidando com Desafios de Interpretabilidade

  • Enfrentando as limitações dos modelos de caixa preta
  • Equilibrando precisão e interpretabilidade
  • Lidando com viés e justiça nas explicações

Aplicações de XAI em Sistemas do Mundo Real

  • XAI na saúde, finanças e sistemas jurídicos
  • Regulamentação da IA e requisitos de conformidade
  • Construindo confiança e responsabilidade através da XAI

Tendências Futuras em IA Explicável

  • Técnicas e ferramentas emergentes em XAI
  • Modelos de explicabilidade de próxima geração
  • Oportunidades e desafios na transparência da IA

Resumo e Próximos Passos

Requisitos

  • Conhecimento sólido de IA e aprendizado de máquina
  • Experiência com redes neurais e aprendizado profundo
  • Familiaridade com técnicas básicas de XAI

Público-Alvo

  • Pesquisadores experientes em IA
  • Engenheiros de aprendizado de máquina
 21 Horas

Número de participantes


Preço por participante

Próximas Formações Provisórias

Categorias Relacionadas