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 la transparencia es importante en los sistemas de IA
- Interpretabilidad frente al rendimiento en modelos de IA
Visión general de las técnicas de XAI
- Métodos independientes del modelo: SHAP, LIME
- Técnicas de explicabilidad específicas para el modelo
- Explicación de redes neuronales y modelos de aprendizaje profundo
Construcción de Modelos de IA Transparentes
- Implementación de modelos interpretables en la práctica
- Comparación de modelos transparentes frente a modelos de caja negra
- Equilibrar la complejidad con la explicabilidad
Herramientas y bibliotecas avanzadas de XAI
- Uso de SHAP para la interpretación de modelos
- Aprovechar 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 la IA
Aplicaciones del Mundo Real de XAI
- Estudios de caso en atención médica, finanzas y gobierno
- Interpretación de modelos de IA para el cumplimiento regulatorio
- Construcción de confianza mediante sistemas de IA transparentes
Direcciones Futuras en la IA Explicable
- Investigaciones emergentes 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 desarrollo de modelos de aprendizaje automático e inteligencia artificial
- Familiaridad con la programación en Python
Audiencia objetivo
- Científicos de datos
- Ingenieros de aprendizaje automático
- Especialistas en inteligencia artificial
21 Horas
