Información administrativa
| Título | Introducción a la IA general explicable |
| Duración | 60 minutos |
| Módulo | B |
| Tipo de lección | Conferencia |
| Enfoque | Ética — IA confiable |
| Tema | IA general explicable |
Keywords
Inteligencia Artificial explicable,Aprendizaje automático,Aprendizaje profundo,Interpretabilidad,Comprensibilidad,Transparencia,Privacidad, Justicia, Responsabilidad, Inteligencia Artificial Responsable,
Objetivos de aprendizaje
- Comprender, analizar y profundizar en la importancia de XAI en el mundo moderno.
- Diferenciar entre modelos de aprendizaje automático transparentes y opacos.
- Categorizar y discutir enfoques de explicabilidad XAI basados en el alcance del modelo, agnosticidad, tipos de datos y técnicas de explicación.
- Discernir, investigar y discutir la compensación entre la precisión y la interpretabilidad.
- Resumir y comprender los principios de trabajo y el modelado matemático de técnicas XAI como LIME, SHAP, DiCE, LRP, explicaciones contrafactuales y contrastantes.
- Ampliar las posibles aplicaciones de las técnicas XAI como LIME, SHAP, DiCE, LRP para generar explicaciones para modelos de caja negra para conjuntos de datos tabulares, textuales y de imágenes.
Preparación prevista
Eventos de aprendizaje que se completarán antes
Ninguno.
Obligatorio para los estudiantes
- Fundamentos de la programación Python
- Fundamentos del Machine Learning
Opcional para estudiantes
- Inteligencia Artificial explicable: Una Introducción al Aprendizaje Automático Interpretable (1ª ed. Edición 2021) por Uday Kamath (Autor), John Liu (Autor)
Referencias y antecedentes para estudiantes
Recomendado para profesores
- Belle V., Papantonis I., Principios y práctica del aprendizaje automático explicable
- Arrieta, A. B. et al., Inteligencia Artificial Explicable (XAI): Conceptos, Taxonomías, Oportunidades y Desafíos Hacia una IA Responsable
- Inteligencia Artificial explicable: Una Introducción al Aprendizaje Automático Interpretable (1ª ed. Edición 2021) por Uday Kamath (Autor), John Liu (Autor)
Material didáctico
Instrucciones para profesores
Esta conferencia proporciona información general sobre el campo de la Inteligencia Artificial Explicable (XAI). Nuestra dependencia de los modelos de inteligencia artificial se discute más a fondo. Los maestros pueden enfatizar que las leyes recientes también han causado la urgencia de explicar y defender las decisiones tomadas por los sistemas de IA. Esta conferencia discute herramientas y técnicas para visualizar, explicar y construir sistemas de IA confiables.
Esquema
| Duración | Tema | Descripción |
|---|---|---|
| 5 minutos | Introducción | Definición de XAI. ¿Por qué XAI es importante y qué problemas resuelve? |
| 5 minutos | Dimensiones de la Explicabilidad | ¿Qué significa explicabilidad? ¿Qué criterios tiene que responder? |
| 20 minutos | Enfoques para la Explicabilidad | Modelos transparentes y modelos opacos. |
| 20 minutos | Técnicas de explicabilidad | Abordando la Explicabilidad con Técnicas Específicas de Modelo y Modelo-Agnóstico. |
| 10 minutos | Observaciones de cierre | Discusión con Estudiantes. Preguntas y respuestas. |
Reconocimientos
Esta presentación fue desarrollada por Christina Todorova y el Dr. George Sharkov en el European Software Institute — Center Eastern Europe.
La presentación se basa en gran medida en los materiales y la estructura de la obra de Belle V., Papantonis I., «Principios y práctica de aprendizaje automático explicable» y Arrieta, A. B. et al., «Explainable Artificial Intelligence (XAI): Conceptos, Taxonomías, Oportunidades y Desafíos Hacia una IA Responsable». Por favor, considere leer su investigación original.
El programa de maestría en IA centrada en el ser humano fue cofinanciado por el Mecanismo «Conectar Europa» de la Unión Europea en virtud de la subvención «CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068».