Hallinnolliset tiedot
| Otsikko | Johdanto yleiseen selitettävään tekoälyyn |
| Kesto | 60 min |
| Moduuli | B |
| Oppitunnin tyyppi | Luento |
| Keskittyminen | Eettinen – luotettava tekoäly |
| Aihe | Yleisselitettävä tekoäly |
Avainsanoja
Selitettävissä oleva tekoäly, koneoppiminen, syvä oppiminen, tulkittavuus, ymmärrettävyys, avoimuus, yksityisyys, rehellisyys, vastuullisuus, vastuullinen tekoäly,
Oppimistavoitteet
- Ymmärtää, analysoida ja kehittää XAI: n merkitystä nykymaailmassa.
- Tee ero läpinäkyvien ja läpinäkymättömien koneoppimismallien välillä.
- Luokittele ja keskustele XAI-selittävyyden lähestymistavoista mallin laajuuden, agnostisiteetin, tietotyyppien ja selitystekniikoiden perusteella.
- Tunnista, tutki ja keskustele tarkkuuden ja tulkinnan välisestä kompromissista.
- Yhteenveto ja ymmärtää XAI-tekniikoiden toimintaperiaatteet ja matemaattinen mallintaminen, kuten LIME, SHAP, DiCE, LRP, vaihtoehtoiset ja kontrastiset selitykset.
- Laajenna mahdollisia XAI-tekniikoiden sovelluksia, kuten LIME, SHAP, DiCE, LRP, jotta voit luoda selityksiä mustan laatikon malleille taulukko-, teksti- ja kuvatietoaineistoille.
Odotettu valmistelu
Oppimistapahtumat valmistuvat ennen
Ei mitään.
Pakollinen opiskelijoille
- Python-ohjelmoinnin perusteet
- Koneoppimisen perusteet
Valinnainen opiskelijoille
- Selittävä tekoäly: Johdanto tulkkattavaan koneoppimiseen (1. Ed. Vuoden 2021 painos, Uday Kamath (kirjoittaja), John Liu (kirjoittaja)
Referenssejä ja taustaa opiskelijoille
Suositellaan opettajille
- Belle V., Papantonis I, selittävän koneoppimisen periaatteet ja käytäntö
- Arrieta, A. B. et al., Explainable Artificial Intelligence (XAI): Käsitteet, taksonomiat, mahdollisuudet ja haasteet kohti vastuullista tekoälyä
- Selittävä tekoäly: Johdanto tulkkattavaan koneoppimiseen (1. Ed. Vuoden 2021 painos, Uday Kamath (kirjoittaja), John Liu (kirjoittaja)
Oppituntimateriaalit
Ohjeita opettajille
Tämä luento tarjoaa yleisiä näkemyksiä selittävän tekoälyn (XAI) alasta. Riippuvuudestamme tekoälymalleihin keskustellaan lisää. Opettajat voivat korostaa, että viimeaikaiset lait ovat myös aiheuttaneet kiireellisyyttä selittää ja puolustaa tekoälyjärjestelmien tekemiä päätöksiä. Tässä luennossa keskustellaan työkaluista ja tekniikoista, joiden avulla voidaan visualisoida, selittää ja rakentaa luotettavia tekoälyjärjestelmiä.
Hahmotella
| Kesto | Aihe | Kuvaus |
|---|---|---|
| 5 min | Johdanto | XAI:n määritelmä. Miksi XAI on tärkeä ja mitä ongelmia se ratkaisee? |
| 5 min | Selitettävyyden mitat | Mitä selitettävyys tarkoittaa. Mitä kriteereitä sillä on vastata. |
| 20 min | Lähestymistapoja selitettävyyteen | Läpinäkyvät mallit ja läpinäkymättömät mallit. |
| 20 min | Selitettävyystekniikat | Lähestyy selitettävyyttä mallikohtaisilla ja malli-agnostisilla tekniikoilla. |
| 10 min | Loppuhuomautukset | Keskustelu opiskelijoiden kanssa. Kysymyksiä ja vastauksia. |
Tunnustukset
Tämän esityksen kehittivät Christina Todorova ja tohtori George Sharkov European Software Institute – Center Itä-Euroopassa.
Esitys perustuu voimakkaasti Belle V:n, Papantonis I:n, ”Principles and Practice of Explainable Machine Learning” ja Arrieta, A. B. et al., ”Explainable Artificial Intelligence (XAI): Käsitteet, taksonomiat, mahdollisuudet ja haasteet kohti vastuullista tekoälyä”. Ole hyvä ja harkitse alkuperäisen tutkimuksen lukemista.
Human-Centered AI Masters -ohjelmaa rahoitettiin Euroopan unionin Verkkojen Eurooppa -välineestä (CEF-TC-2020–1 Digital Skills 2020-EU-IA-0068).