Programa del Curso

Introducción a la IA explicable

  • ¿Qué es la IA explicable (XAI)?
  • Importancia de la transparencia en los modelos de IA
  • Desafíos clave en la interpretabilidad de la IA

Técnicas básicas de XAI

  • Métodos agnósticos del modelo: LIME, SHAP
  • Métodos de explicabilidad específicos del modelo
  • Explicación de las decisiones tomadas por los modelos de caja negra

Manos a la obra con XAI Tools

  • Introducción a las bibliotecas XAI de código abierto
  • Implementación de XAI en modelos sencillos de aprendizaje automático
  • Visualización de explicaciones y comportamiento del modelo

Desafíos en la explicabilidad

  • Compensaciones entre precisión e interpretabilidad
  • Limitaciones de los métodos XAI actuales
  • Manejo del sesgo y la equidad en modelos explicables

Consideraciones éticas en XAI

  • Comprender las implicaciones éticas de la transparencia de la IA
  • Equilibrar la explicabilidad con el rendimiento del modelo
  • Preocupaciones sobre la privacidad y la protección de datos en XAI

Aplicaciones de XAI en el mundo real

  • XAI en la atención médica, las finanzas y la aplicación de la ley
  • Requisitos reglamentarios para la explicabilidad
  • Generar confianza en los sistemas de IA a través de la transparencia

Conceptos avanzados de XAI

  • Explorando explicaciones contrafácticas
  • Explicación de las redes neuronales y los modelos de aprendizaje profundo
  • Interpretación de sistemas complejos de IA

Tendencias futuras en IA explicable

  • Técnicas emergentes en la investigación de XAI
  • Desafíos y oportunidades para la transparencia de la IA en el futuro
  • Impacto de la XAI en el desarrollo responsable de la IA

Resumen y próximos pasos

Requerimientos

  • Comprensión básica de los conceptos de aprendizaje automático
  • Familiaridad con Python programación

Audiencia

  • Principiantes en IA
  • Entusiastas de la ciencia de datos
 14 Horas

Número de participantes


Precio por Participante​

Próximos cursos

Categorías Relacionadas