Programa do Curso

Introdução ao AI Explicável (XAI)

  • O que é AI Explicável (XAI)?
  • A importância da transparência nos modelos de IA
  • Desafios-chave na interpretabilidade da IA

Técnicas Básicas de XAI

  • Métodos independentes do modelo: LIME, SHAP
  • Métodos específicos para explicar modelos
  • Explicando decisões feitas por modelos de caixa preta

Prática com Ferramentas XAI

  • Introdução às bibliotecas open-source de XAI
  • Implementação de XAI em modelos simples de aprendizado de máquina
  • Visualização das explicações e do comportamento do modelo

Desafios na Explicabilidade

  • Comércio entre precisão e interpretabilidade
  • Limitações dos métodos atuais de XAI
  • Lidando com vieses e equidade em modelos explicáveis

Considerações Éticas no XAI

  • Entendendo as implicações éticas da transparência na IA
  • Equilibrando explicabilidade com o desempenho do modelo
  • Preocupações de privacidade e proteção de dados no XAI

Aplicações Reais de XAI

  • XAI na saúde, finanças e aplicação da lei
  • Exigências regulatórias para explicabilidade
  • Construindo confiança nos sistemas de IA através da transparência

Conceitos Avançados de XAI

  • Explorando explicações contrafactuais
  • Explicando redes neurais e modelos de aprendizado profundo
  • Interpretando sistemas complexos de IA

Tendências Futuras no AI Explicável

  • Técnicas emergentes na pesquisa XAI
  • Desafios e oportunidades para a transparência futura da IA
  • Impacto do XAI no desenvolvimento responsável de AI

Resumo e Próximos Passos

Requisitos

  • Compreensão básica de conceitos de aprendizado de máquina
  • Familiaridade com programação em Python

Público-alvo

  • Iniciantes em IA
  • Entusiastas de ciência de dados
 14 Horas

Número de participantes


Preço por Participante

Próximas Formações Provisórias

Categorias Relacionadas