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 la IA explicable (XAI) y la transparencia del modelo
- ¿Qué es la IA explicable?
- Por qué importa la transparencia en los sistemas de IA
- Interpretabilidad frente a rendimiento en los modelos de IA
Panorama general de las técnicas XAI
- Métodos independientes del modelo: SHAP, LIME
- Técnicas de explicabilidad específicas del modelo
- Explicación de redes neuronales y modelos de aprendizaje profundo
Construcción de modelos de IA transparentes
- Implementación práctica de modelos interpretables
- Comparación entre modelos transparentes y modelos de caja negra
- Equilibrar la complejidad con la explicabilidad
Herramientas y bibliotecas XAI avanzadas
- Uso de SHAP para la interpretación del modelo
- Aprovechamiento de LIME para la explicabilidad local
- Visualización de decisiones y comportamientos del modelo
Abordaje de la equidad, el sesgo y la IA ética
- Identificación y mitigación del sesgo en los modelos de IA
- Equidad en la IA y sus impactos sociales
- Garantizar la responsabilidad y la ética en el despliegue de IA
Aplicaciones del mundo real de XAI
- Estudios de casos en salud, finanzas y gobierno
- Interpretación de modelos de IA para el cumplimiento normativo
- Construcción de confianza mediante sistemas de IA transparentes
Futuras direcciones en la IA explicable
- Investigación emergente en XAI
- Desafíos para escalar XAI en sistemas a gran escala
- Oportunidades para el futuro de la IA transparente
Resumen y próximos pasos
Requerimientos
- Experiencia en aprendizaje automático (machine learning) y desarrollo de modelos de IA
- Familiaridad con la programación en Python
Público objetivo
- Científicos de datos
- Ingenieros de aprendizaje automático (machine learning)
- Especialistas en IA
21 Horas
