Informazioni amministrative
| Titolo | Introduzione all'IA spiegabile generale |
| Durata | 60 minuti |
| Modulo | B |
| Tipo di lezione | Lezione |
| Focus | Etico — AI affidabile |
| Argomento | IA spiegabile generale |
Parole chiave
Intelligenza artificiale spiegabile, Apprendimento automatico, Apprendimento profondo, Interpretabilità,Comprensibilità,Trasparenza,Privacy,Fairness,Accountability,Responsabile Intelligenza Artificiale,
Obiettivi di apprendimento
- Comprendere, analizzare ed elaborare l'importanza di XAI nel mondo moderno.
- Distinguere tra modelli di apprendimento automatico trasparenti e opachi.
- Categorizzare e discutere approcci alla spiegabilità XAI sulla base della portata del modello, agnosticità, tipi di dati e tecniche di spiegazione.
- Discernere, indagare e discutere il compromesso tra accuratezza e interpretabilità.
- Riassumere e comprendere i principi di lavoro e la modellazione matematica delle tecniche XAI come LIME, SHAP, DiCE, LRP, spiegazioni controfattuali e contrastanti.
- Espandi le possibili applicazioni di tecniche XAI come LIME, SHAP, DiCE, LRP per generare spiegazioni per i modelli black-box per set di dati tabulari, testuali e di immagini.
Preparazione prevista
Eventi di apprendimento da completare prima
Nessuno.
Obbligatorio per gli studenti
- Fondamenti della programmazione Python
- Fondamenti del Machine Learning
Facoltativo per gli studenti
- Intelligenza artificiale spiegabile: Introduzione all'apprendimento automatico interpretabile (1º ed. Edizione 2021) di Uday Kamath (Autore), John Liu (Autore)
Referenze e background per gli studenti
Consigliato per gli insegnanti
- Belle V., Papantonis I., Principi e pratica dell'apprendimento automatico spiegabile
- Arrieta, A. B. et al., Explainable Artificial Intelligence (XAI): Concetti, tassonomie, opportunità e sfide verso un'IA responsabile
- Intelligenza artificiale spiegabile: Introduzione all'apprendimento automatico interpretabile (1º ed. Edizione 2021) di Uday Kamath (Autore), John Liu (Autore)
Materiale didattico
Istruzioni per gli insegnanti
Questa lezione fornisce approfondimenti generali nel campo dell'intelligenza artificiale spiegabile (XAI). La nostra dipendenza dai modelli di intelligenza artificiale è ulteriormente discussa. Gli insegnanti possono sottolineare che le recenti leggi hanno anche causato l'urgenza di spiegare e difendere le decisioni prese dai sistemi di IA. Questa lezione discute strumenti e tecniche per visualizzare, spiegare e costruire sistemi di IA affidabili.
Contorno
| Durata | Argomento | Descrizione |
|---|---|---|
| 5 minuti | Introduzione | Definizione di XAI. Perché XAI è importante e quali problemi risolve? |
| 5 minuti | Dimensioni della spiegabilità | Che cosa significa spiegabilità? Quali criteri deve rispondere. |
| 20 minuti | Approcci alla spiegabilità | Modelli trasparenti e modelli opachi. |
| 20 minuti | Tecniche di spiegabilità | Avvicinarsi alla spiegabilità con tecniche Model-Specific e Model-Agnostic. |
| 10 minuti | Osservazioni conclusive | Discussione con gli studenti. Domande e risposte. |
Riconoscimenti
Questa presentazione è stata sviluppata da Christina Todorova e Dr. George Sharkov presso l'European Software Institute — Center Eastern Europe.
La presentazione è fortemente basata e utilizza materiali e strutture dal lavoro di Belle V., Papantonis I., "Principles and Practice of Explainable Machine Learning" e Arrieta, A. B. et al., "Explainable Artificial Intelligence (XAI): Concetti, tassonomie, opportunità e sfide verso un'IA responsabile". Per favore, prendi in considerazione la lettura della loro ricerca originale.
Il programma Human-Centered AI Masters è stato co-finanziato dal meccanismo per collegare l'Europa dell'Unione europea nell'ambito della sovvenzione CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.