Upravne informacije
| Naslov | Uvod v splošno razlago umetne inteligence |
| Trajanje | 60 minut |
| Modul | B |
| Vrsta lekcije | Predavanje |
| Osredotočenost | Etična – zaupanja vredna umetna inteligenca |
| Tema | Umetna inteligenca, ki jo je mogoče pojasniti |
Ključne besede
Razložljiva umetna inteligenca, strojno učenje, poglobljeno učenje, razumljivost, razumljivost, preglednost, zasebnost, poštenost, odgovornost, odgovorna umetna inteligenca,
Učni cilji
- Razumeti, analizirati in dodelati pomen XAI v sodobnem svetu.
- Razlikovanje med preglednimi in nepreglednimi modeli strojnega učenja.
- Kategorizira in razpravlja o pristopih k razložljivosti XAI na podlagi obsega modela, agnostičnosti, vrst podatkov in tehnik razlage.
- Raziščite, raziščite in razpravljajte o kompromisu med natančnostjo in razlago.
- Povzetek in razumevanje delovnih načel in matematičnega modeliranja tehnik XAI, kot so LIME, SHAP, DiCE, LRP, nasprotnih in kontrastnih pojasnil.
- Razširite možne uporabe tehnik XAI, kot so LIME, SHAP, DiCE, LRP, da ustvarite razlage za modele črnih polj za tabelarne, besedilne in slikovne nabore podatkov.
Pričakovana priprava
Učenje Dogodki, ki jih je treba dokončati pred
Nobenega.
Obvezno za študente
- Osnove Python programiranja
- Osnove strojnega učenja
Neobvezno za študente
- Razložljiva umetna inteligenca: Uvod v interpretirano strojno učenje (1. izd. Izdaja 2021, Uday Kamath (avtor), John Liu (avtor)
Reference in ozadje za študente
Priporočeno za učitelje
- Belle V., Papantonis I., Načela in praksa razložljivega strojnega učenja
- Arrieta, A. B. in drugi, Razložljiva umetna inteligenca (XAI): Koncepti, taksonomije, priložnosti in izzivi za odgovorno umetno inteligenco
- Razložljiva umetna inteligenca: Uvod v interpretirano strojno učenje (1. izd. Izdaja 2021, Uday Kamath (avtor), John Liu (avtor)
Gradivo za učne ure
Navodila za učitelje
Predavanje ponuja splošen vpogled v področje razložljive umetne inteligence (XAI). Naša odvisnost od modelov umetne inteligence je podrobneje obravnavana. Učitelji lahko poudarijo, da so nedavni zakoni povzročili tudi nujnost razlage in obrambe odločitev, ki jih sprejemajo sistemi umetne inteligence. Predavanje obravnava orodja in tehnike za vizualizacijo, razlago in izgradnjo zaupanja vrednih sistemov umetne inteligence.
Obris
| Trajanje | Tema | Opis |
|---|---|---|
| 5 minut | Uvod | Opredelitev XAI. Zakaj je XAI pomemben in kakšne težave rešujejo? |
| 5 minut | Dimenzije razložljivosti | Kaj pomeni razložljivost? Na katera merila je treba odgovoriti. |
| 20 minut | Pristopi k razložljivosti | Transparentni modeli in nenavadni modeli. |
| 20 minut | Tehnike razložljivosti | Približevanje razložljivosti z modelno-specifičnimi in modelno-agnostičnimi tehnikami. |
| 10 minut | Sklepne besede | Pogovor s študenti. Vprašanja in odgovori. |
Priznanja
Predstavitev sta razvila Christina Todorova in dr. George Sharkov na Evropskem inštitutu za programsko opremo – Center vzhodne Evrope.
Predstavitev temelji na materialih in strukturi iz dela Belle V., Papantonisa I., „Principles and Practice of Explainable Machine Learning“ in Arrieta, A. B. et al., „Razložljiva umetna inteligenca (XAI): Koncepti, taksonomije, priložnosti in izzivi za odgovorno umetno inteligenco“. Prosimo, razmislite o branju njihovih izvirnih raziskav.
Program Masters umetne inteligence, ki je bil vključen v človeka, je bil sofinanciran z instrumentom za povezovanje Evrope Evropske unije v okviru nepovratnih sredstev (CEF-TC-2020–1 Digital Skills 2020-EU-IA-0068).