Administratieve informatie
| Titel | Inleiding tot Algemene Uitlegbare AI |
| Looptijd | 60 mins |
| Module | B |
| Type les | Lezing |
| Focus | Ethisch — betrouwbare AI |
| Onderwerp | Algemeen Uitlegbare AI |
Sleutelwoorden
Verklaarbare kunstmatige intelligentie, machineleren, diep leren, interpreteerbaarheid, begrijpelijkheid, transparantie, privacy, eerlijkheid, rekenbaarheid, verantwoordelijke kunstmatige intelligentie,
Leerdoelen
- Begrijpen, analyseren en toelichten van het belang van XAI in de moderne wereld.
- Onderscheid tussen transparante en ondoorzichtige machine learning modellen.
- Categoriseer en bespreek benaderingen voor verklaarbaarheid XAI op basis van model scope, agnosticiteit, data types en uitleg technieken.
- Onderscheid maken, onderzoeken en bespreken van de afweging tussen nauwkeurigheid en interpretatie.
- Vat de werkprincipes en wiskundige modellering van XAI-technieken samen zoals LIME, SHAP, DiCE, LRP, contrafeitelijke en contrasterende verklaringen.
- Breid uit op mogelijke toepassingen van XAI-technieken zoals LIME, SHAP, DiCE, LRP om uitleg te genereren voor black-box-modellen voor tabel-, tekst- en beelddatasets.
Verwachte voorbereiding
Leren van gebeurtenissen die moeten worden voltooid voordat
Geen.
Verplicht voor studenten
- Basisprincipes van Python Programming
- Basisprincipes van Machine Learning
Optioneel voor studenten
- Verklaarbare kunstmatige intelligentie: Een inleiding tot interpreteerbare machine learning (1st ed. 2021 Editie) door Uday Kamath (Auteur), John Liu (Auteur)
Referenties en achtergronden voor studenten
Aanbevolen voor docenten
- Belle V., Papantonis I., Principles and Practice of Explainable Machine Learning
- Arrieta, A. B. et al., Explainable Artificial Intelligence (XAI): Concepten, taxonomieën, kansen en uitdagingen op weg naar verantwoorde AI
- Verklaarbare kunstmatige intelligentie: Een inleiding tot interpreteerbare machine learning (1st ed. 2021 Editie) door Uday Kamath (Auteur), John Liu (Auteur)
Lesmateriaal
Instructies voor docenten
Deze lezing geeft algemene inzichten op het gebied van Explainable Artificial Intelligence (XAI). Onze afhankelijkheid van artificiële intelligentiemodellen wordt verder besproken. Leraren kunnen benadrukken dat recente wetten ook de urgentie hebben veroorzaakt om de beslissingen van AI-systemen uit te leggen en te verdedigen. Deze lezing bespreekt tools en technieken om betrouwbare AI-systemen te visualiseren, uit te leggen en te bouwen.
Omtrek
| Looptijd | Onderwerp | Omschrijving |
|---|---|---|
| 5 minuten | Introductie | Definitie van XAI. Waarom is XAI belangrijk en welke problemen lost het op? |
| 5 minuten | Afmetingen van de uitlegbaarheid | Wat betekent uitlegbaarheid? Welke criteria moet het beantwoorden? |
| 20 minuten | Benaderingen van uitlegbaarheid | Transparante modellen en ondoorzichtige modellen. |
| 20 minuten | Verklaarbaarheidstechnieken | Het naderen van uitleg met modelspecifieke en model-agnostische technieken. |
| 10 minuten | Slotopmerkingen | Discussie met studenten. Vragen en antwoorden. |
Erkenningen
Deze presentatie is ontwikkeld door Christina Todorova en Dr. George Sharkov aan het European Software Institute — Center Eastern Europe.
De presentatie is sterk gebaseerd op en maakt gebruik van materialen en structuur uit het werk van Belle V., Papantonis I., "Principles and Practice of Explainable Machine Learning„en Arrieta, A.B. et al., Explainable Artificial Intelligence (XAI): Concepten, taxonomieën, kansen en uitdagingen op weg naar verantwoorde AI. Overweeg om hun oorspronkelijke onderzoek te lezen.
Het Human-Centered AI Masters-programma werd mede gefinancierd door de Connecting Europe Facility van de Europese Unie in het kader van de subsidie CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.