Διοικητικές πληροφορίες
| Τίτλος | Εισαγωγή στο General Explainable AI |
| Διάρκεια | 60 λεπτά |
| Ενότητα | Β |
| Είδος μαθήματος | Διάλεξη |
| Εστίαση | Ηθική — Αξιόπιστη ΤΝ |
| Θέμα | Γενική επεξήγηση τεχνητής νοημοσύνης |
Λέξεις-κλειδιά
Επεξήγηση Τεχνητής Νοημοσύνης,Μηχανική Μάθηση,Βαθιά Μάθηση, Ερμηνευσιμότητα, Καταληψιμότητα,Διαφάνεια,Απόρρητο, Δίκαιη, Λογοδοσία,Υπεύθυνη Τεχνητή Νοημοσύνη,
Μαθησιακοί στόχοι
- Κατανοήστε, αναλύστε και αναπτύξτε τη σημασία του XAI στον σύγχρονο κόσμο.
- Διάκριση μεταξύ διαφανών και αδιαφανών μοντέλων μηχανικής μάθησης.
- Κατηγοριοποιήστε και συζητήστε προσεγγίσεις για την επεξήγηση XAI με βάση το πεδίο εφαρμογής του μοντέλου, την αγνωστικότητα, τους τύπους δεδομένων και τις τεχνικές εξήγησης.
- Διακρίνουμε, διερευνούμε και συζητάμε την αντιστάθμιση μεταξύ ακρίβειας και ερμηνείας.
- Συνοψίστε και κατανοήστε τις αρχές εργασίας και τη μαθηματική μοντελοποίηση των τεχνικών XAI όπως LIME, SHAP, DiCE, LRP, αντιπαραδείγματα και αντικρουόμενες εξηγήσεις.
- Επεκτείνετε τις πιθανές εφαρμογές των τεχνικών XAI όπως το LIME, το SHAP, το DiCE, το LRP για να παράγετε εξηγήσεις για μοντέλα μαύρου κουτιού για σύνολα δεδομένων πίνακα, κειμένου και εικόνας.
Αναμενόμενη προετοιμασία
Μαθησιακές εκδηλώσεις που πρέπει να ολοκληρωθούν πριν
Καμία.
Υποχρεωτικό για τους φοιτητές
- Βασικές αρχές του προγραμματισμού Python
- Βασικές αρχές της μηχανικής μάθησης
Προαιρετικό για Φοιτητές
- Επεξήγηση της τεχνητής νοημοσύνης: Εισαγωγή στην Ερμηνεύσιμη Μηχανική Μάθηση (1η έκδοση. Έκδοση 2021) των Uday Kamath (συγγραφέας), John Liu (συγγραφέας)
Αναφορές και υπόβαθρο για τους μαθητές
Συνιστάται για εκπαιδευτικούς
- Belle V., Παπαντωνής Ι., Αρχές και Πρακτική της Επεξηγήσιμης Μηχανικής Μάθησης
- Arrieta, A. B. et al., Explainable Artificial Intelligence (XAI): Έννοιες, ταξινομίες, ευκαιρίες και προκλήσεις για την υπεύθυνη τεχνητή νοημοσύνη
- Επεξήγηση της τεχνητής νοημοσύνης: Εισαγωγή στην Ερμηνεύσιμη Μηχανική Μάθηση (1η έκδοση. Έκδοση 2021) των Uday Kamath (συγγραφέας), John Liu (συγγραφέας)
Υλικό μαθήματος
Οδηγίες για τους εκπαιδευτικούς
Αυτή η διάλεξη παρέχει γενικές γνώσεις στον τομέα της Επεξηγήσιμης Τεχνητής Νοημοσύνης (XAI). Η εξάρτησή μας από τα μοντέλα τεχνητής νοημοσύνης συζητείται περαιτέρω. Οι εκπαιδευτικοί μπορούν να τονίσουν ότι οι πρόσφατοι νόμοι έχουν επίσης προκαλέσει τον επείγοντα χαρακτήρα της εξήγησης και της υπεράσπισης των αποφάσεων που λαμβάνονται από τα συστήματα τεχνητής νοημοσύνης. Αυτή η διάλεξη συζητά εργαλεία και τεχνικές για την απεικόνιση, την εξήγηση και την οικοδόμηση αξιόπιστων συστημάτων τεχνητής νοημοσύνης.
Σχεδιάγραμμα
| Διάρκεια | Θέμα | Περιγραφή |
|---|---|---|
| 5 λεπτά | Εισαγωγή | Ορισμός του XAI. Γιατί είναι σημαντικό το XAI και ποια προβλήματα λύνει; |
| 5 λεπτά | Διαστάσεις της εξηγησιμότητας | Τι σημαίνει εξηγησιμότητα. Ποια κριτήρια πρέπει να απαντηθούν. |
| 20 λεπτά | Προσεγγίσεις για την επεξήγηση | Διαφανή μοντέλα και ακατάπαυστα μοντέλα. |
| 20 λεπτά | Τεχνικές εξηγησιμότητας | Προσέγγιση Εξηγησιμότητας με Μοντέλο-Ειδικές και Μοντέλες-Αγνωστικές Τεχνικές. |
| 10 λεπτά | Καταληκτικές παρατηρήσεις | Συζήτηση με τους μαθητές. Ερωτήσεις και απαντήσεις. |
Αναγνωρίσεις
Η παρουσίαση αυτή αναπτύχθηκε από την Christina Todorova και τον Δρ George Sharkov στο Ευρωπαϊκό Ινστιτούτο Λογισμικού — Κέντρο Ανατολικής Ευρώπης.
Η παρουσίαση βασίζεται σε μεγάλο βαθμό και χρησιμοποιεί υλικά και δομή από το έργο των Belle V., Παπαντώνη Ι., «Αρχές και Πρακτική της Επεξηγήσιμης Μηχανικής Μάθησης» και Arrieta, A. B. et al., «Explainable Artificial Intelligence (XAI): Έννοιες, ταξινομίες, ευκαιρίες και προκλήσεις για την υπεύθυνη τεχνητή νοημοσύνη». Παρακαλώ, σκεφτείτε να διαβάσετε την αρχική τους έρευνα.
Το πρόγραμμα Μάστερ τεχνητής νοημοσύνης με επίκεντρο τον άνθρωπο συγχρηματοδοτήθηκε από τον μηχανισμό «Συνδέοντας την Ευρώπη» της Ευρωπαϊκής Ένωσης στο πλαίσιο της επιχορήγησης CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.