Verwaltungsinformationen
| Titel | Einführung in die allgemeine erklärbare KI |
| Dauer | 60 Minuten |
| Modulen | B |
| Unterrichtstyp | Vortrag |
| Fokussierung | Ethisch – vertrauenswürdige KI |
| Themenbereich | Allgemeine erklärbare KI |
Suchbegriffe
Erklärbare Künstliche Intelligenz,Maschinenlernen,Deep Learning,Interpretability,Comprehensibility,Transparenz,Privacy,Fairness,Responsible Künstliche Intelligenz,
Lernziele
- Verstehen, analysieren und erläutern Sie die Bedeutung von XAI in der modernen Welt.
- Unterscheiden Sie zwischen transparenten und undurchsichtigen Machine Learning-Modellen.
- Kategorisieren und diskutieren Ansätze zur Erklärbarkeit XAI basierend auf Modellumfang, Agnostizität, Datentypen und Erklärungstechniken.
- Erkennen, untersuchen und diskutieren Sie den Kompromiss zwischen Genauigkeit und Interpretationsfähigkeit.
- Zusammenfassung und Verständnis der Arbeitsprinzipien und mathematische Modellierung von XAI-Techniken wie LIME, SHAP, DiCE, LRP, kontrafaktische und kontrastive Erklärungen.
- Erweitern Sie mögliche Anwendungen von XAI-Techniken wie LIME, SHAP, DiCE, LRP, um Erklärungen für Black-Box-Modelle für Tabellen-, Text- und Bilddatensätze zu generieren.
Erwartete Vorbereitung
Lernveranstaltungen, die vorab abgeschlossen werden müssen
Keine.
Obligatorisch für Studenten
- Grundlagen der Python-Programmierung
- Grundlagen des maschinellen Lernens
Optional für Studenten
- Erklärbare Künstliche Intelligenz: Eine Einführung in das interpretierbare maschinelle Lernen (1. Aufl. Ausgabe 2021) von Uday Kamath (Autor), John Liu (Autor)
Referenzen und Hintergründe für Studierende
Empfohlen für Lehrer
- Belle V., Papantonis I., Prinzipien und Praxis des erklärbaren maschinellen Lernens
- Arrieta, A. B. et al., Erklärbare Künstliche Intelligenz (XAI): Konzepte, Taxonomien, Chancen und Herausforderungen für verantwortungsbewusste KI
- Erklärbare Künstliche Intelligenz: Eine Einführung in das interpretierbare maschinelle Lernen (1. Aufl. Ausgabe 2021) von Uday Kamath (Autor), John Liu (Autor)
Unterrichtsmaterialien
Anleitung für Lehrer
Dieser Vortrag bietet allgemeine Einblicke in den Bereich der Erklärbaren Künstlichen Intelligenz (XAI). Unsere Abhängigkeit von Künstlichen Intelligenz-Modellen wird weiter diskutiert. Lehrer können betonen, dass die jüngsten Gesetze auch die Dringlichkeit verursacht haben, die Entscheidungen von KI-Systemen zu erklären und zu verteidigen. Dieser Vortrag behandelt Werkzeuge und Techniken, um vertrauenswürdige KI-Systeme zu visualisieren, zu erklären und aufzubauen.
Gliederung
| Dauer | Themenbereich | Beschreibung |
|---|---|---|
| 5 Minuten | Einführung | Definition von XAI. Warum ist XAI wichtig und welche Probleme es löst? |
| 5 Minuten | Dimensionen der Erklärbarkeit | Was bedeutet Erklärbarkeit? Welche Kriterien muss er beantworten? |
| 20 Minuten | Ansätze zur Erklärbarkeit | Transparente Modelle und Opaque Models. |
| 20 Minuten | Erklärbarkeitstechniken | Annäherung an die Erklärbarkeit mit modellspezifischen und modellagnostischen Techniken. |
| 10 Minuten | Schlussbemerkungen | Diskussion mit Studenten. Fragen und Antworten. |
Danksagung
Diese Präsentation wurde von Christina Todorova und Dr. George Sharkov am European Software Institute – Center Eastern Europe entwickelt.
Die Präsentation basiert stark auf Materialien und Strukturen aus der Arbeit von Belle V., Papantonis I., "Principles and Practice of Explainable Machine Learning" und Arrieta, A. B. et al., "Erklärliche Künstliche Intelligenz (XAI): Konzepte, Taxonomien, Chancen und Herausforderungen für verantwortungsbewusste KI. Bitte lesen Sie die Originalrecherche.
Das Human-Centered AI Masters-Programm wurde von der Fazilität „Connecting Europe“ der Europäischen Union im Rahmen des Zuschusses „CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068“ kofinanziert.