Administrative oplysninger
| Titel | Introduktion til General Explainable AI |
| Varighed | 60 min. |
| Modul | B |
| Lektionstype | Forelæsning |
| Fokus | Etisk — pålidelig kunstig intelligens |
| Emne | Generel forklaring AI |
Nøgleord
Forklar kunstig intelligens,Machine Learning, Dyb læring, Tolkning, Forståelighed, Gennemsigtighed,Privacy,Fairness,Ansvarlig kunstig intelligens, Ansvarlig kunstig intelligens,
Læringsmål
- Forstå, analysere og uddybe betydningen af XAI i den moderne verden.
- Skelne mellem gennemsigtige og uigennemsigtige maskinlæringsmodeller.
- Kategorisere og diskutere tilgange til forklarlighed XAI baseret på model omfang, agnosticitet, datatyper og forklaringsteknikker.
- Skelne, undersøge og diskutere afvejningen mellem nøjagtighed og fortolkelighed.
- Opsummere og forstå arbejdsprincipper og matematisk modellering af XAI teknikker som LIME, SHAP, DiCE, LRP, kontrafaktiske og kontrastive forklaringer.
- Udvid mulige anvendelser af XAI-teknikker som LIME, SHAP, DiCE, LRP for at generere forklaringer til black-box-modeller til tabel-, tekst- og billeddatasæt.
Forventet forberedelse
Læringsbegivenheder, der skal fuldføres før
Ingen.
Obligatorisk for studerende
- Grundlæggende om Python programmering
- Grundlæggende om maskinindlæring
Valgfrit for studerende
- Forklar kunstig intelligens: En introduktion til tolkelig maskinlæring (1st ed. 2021-udgaven af Uday Kamath (Forfatter), John Liu (Forfatter)
Referencer og baggrund for studerende
Anbefalet til lærerne
- Belle V., Papantonis I., Principper and Practice of Explainable Machine Learning
- Arrieta, A. B. et al., Forklarbar kunstig intelligens (XAI): Begreber, taksonomier, muligheder og udfordringer for ansvarlig kunstig intelligens
- Forklar kunstig intelligens: En introduktion til tolkelig maskinlæring (1st ed. 2021-udgaven af Uday Kamath (Forfatter), John Liu (Forfatter)
Undervisningsmaterialer
Instruktioner til lærerne
Dette foredrag giver generel indsigt i området Forklarbar kunstig intelligens (XAI). Vores afhængighed af kunstig intelligens modeller diskuteres yderligere. Lærere kan understrege, at de seneste love også har medført, at det haster med at forklare og forsvare de beslutninger, der træffes af AI-systemer. Dette foredrag diskuterer værktøjer og teknikker til at visualisere, forklare og opbygge pålidelige AI-systemer.
Omrids
| Varighed | Emne | Beskrivelse |
|---|---|---|
| 5 min. | Introduktion | Definition af XAI. Hvorfor er XAI vigtigt, og hvilke problemer løser det? |
| 5 min. | Dimensioner af forklaring | Hvad betyder forklaringsevnen? Hvilke kriterier skal den svare på? |
| 20 min. | Metoder til at forklare | Gennemsigtige modeller og uigennemsigtige modeller. |
| 20 min. | Forklarlighedsteknikker | Nærmer sig Forklarbarhed med Model-Specific og Model-Agnostic Techniques. |
| 10 min. | Afsluttende bemærkninger | Diskussion med de studerende. Spørgsmål og svar. |
Anerkendelser
Denne præsentation er udviklet af Christina Todorova og Dr. George Sharkov ved European Software Institute — Center Eastern Europe.
Præsentationen er stærkt baseret på og bruger materialer og struktur fra arbejdet i Belle V., Papantonis I., "Principles and Practice of Explainable Machine Learning" og Arrieta, A. B. et al., "Explainable Artificial Intelligence (XAI): Begreber, taksonomier, muligheder og udfordringer for ansvarlig kunstig intelligens". Overvej at læse deres oprindelige forskning.
Programmet Human-Centered AI Masters blev samfinansieret af Connecting Europe-faciliteten i Den Europæiske Union under tilskud CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.