Obrigado por enviar sua consulta! Um dos membros da nossa equipe entrará em contato com você em breve.
Obrigado por enviar sua reserva! Um dos membros da nossa equipe entrará em contato com você em breve.
Programa do Curso
Introdução às técnicas avançadas de XAI
- Revisão dos métodos básicos de XAI
- Desafios na interpretação de modelos complexos de IA
- Tendências na investigação e desenvolvimento da XAI
Técnicas de explicabilidade de modelos de diagnóstico
- SHAP (SHapley Additive exPlanations)
- LIME (Local Interpretable Model-agnostic Explanations)
- Explicações de ancoragem
Técnicas de explicabilidade específicas do modelo
- Propagação da relevância ao longo das camadas (LRP)
- DeepLIFT (Deep Learning Important FeaTures)
- Métodos baseados em gradientes (Grad-CAM, gradientes integrados)
Explicação de modelos Deep Learning
- Interpretar as redes neuronais convolucionais (CNN)
- Explicar as redes neuronais recorrentes (RNNs)
- Analisar modelos baseados em transformadores (BERT, GPT)
Lidar com os desafios da interpretabilidade
- Resolver as limitações dos modelos de caixa negra
- Equilíbrio entre exatidão e interpretabilidade
- Lidar com preconceitos e equidade nas explicações
Aplicações da XAI em sistemas do mundo real
- XAI nos sistemas de saúde, financeiros e jurídicos
- Regulamentação da IA e requisitos de conformidade
- Criar confiança e responsabilização através da XAI
Tendências futuras da IA explicável
- Técnicas e ferramentas emergentes em XAI
- Modelos de explicabilidade da próxima geração
- Oportunidades e desafios na transparência da IA
Resumo e próximas etapas
Requisitos
- Conhecimentos sólidos de IA e de aprendizagem automática
- Experiência com redes neuronais e aprendizagem profunda
- Familiaridade com técnicas básicas de XAI
Público-alvo
- Investigadores experientes em IA
- Engenheiros de aprendizagem automática
21 Horas
