Programa del Curso

Introducción a las Técnicas Avanzadas de XAI

  • Revisión de los métodos básicos de XAI
  • Desafíos en la interpretación de modelos complejos de IA
  • Tendencias en investigación y desarrollo de XAI

Técnicas de explicabilidad independientes del modelo

  • SHAP (Explicaciones de aditivos de SHapley)
  • LIME (Explicaciones Independientes del Modelo Interpretable Local)
  • Explicaciones de anclaje

Técnicas de explicabilidad específicas del modelo

  • Propagación de relevancia por capas (LRP)
  • DeepLIFT (Deep Learning Características importantes)
  • Métodos basados en gradientes (Grad-CAM, Gradientes integrados)

Explicación Deep Learning de los modelos

  • Interpretación de redes neuronales convolucionales (CNN)
  • Explicación de las redes neuronales recurrentes (RNN)
  • Análisis de modelos basados en transformadores (BERT, GPT)

Manejo de los desafíos de interpretabilidad

  • Abordar las limitaciones del modelo de caja negra
  • Equilibrio entre la precisión y la interpretabilidad
  • Lidiar con el sesgo y la equidad en las explicaciones

Aplicaciones de XAI en sistemas del mundo real

  • XAI en los sistemas sanitarios, financieros y jurídicos
  • Requisitos de regulación y cumplimiento de la IA
  • Generar confianza y responsabilidad a través de XAI

Tendencias futuras en IA explicable

  • Técnicas y herramientas emergentes en XAI
  • Modelos de explicabilidad de próxima generación
  • Oportunidades y desafíos en la transparencia de la IA

Resumen y próximos pasos

Requerimientos

  • Sólidos conocimientos de IA y aprendizaje automático
  • Experiencia con redes neuronales y aprendizaje profundo
  • Familiaridad con las técnicas básicas de XAI

Audiencia

  • Investigadores de IA con experiencia
  • Ingenieros de aprendizaje automático
 21 Horas

Número de participantes


Precio por Participante​

Próximos cursos

Categorías Relacionadas