Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Temario del curso
Introducción a la IA Explicable (XAI) y la Transparencia de Modelos
- ¿Qué es la IA Explicable?
- Por qué la transparencia es importante en los sistemas de IA
- Interpretabilidad frente al rendimiento en modelos de IA
Descripción General de las Técnicas de XAI
- Métodos independientes del modelo: SHAP, LIME
- Técnicas de explicabilidad específicas del modelo
- Explicar redes neuronales y modelos de aprendizaje profundo
Construcción de Modelos de IA Transparentes
- Implementación práctica de modelos interpretables
- Comparación de modelos transparentes versus modelos de caja negra
- Equilibrar la complejidad con la explicabilidad
Herramientas y Bibliotecas Avanzadas de XAI
- Uso de SHAP para la interpretación del modelo
- Aprovechamiento de LIME para la explicabilidad local
- Visualización de decisiones y comportamientos del modelo
Abordando la Equidad, el Sesgo y la Ética en la IA
- Identificación y mitigación del sesgo en los modelos de IA
- Equidad en la IA y su impacto social
- Garantizar la responsabilidad y la ética en el despliegue de la IA
Aplicaciones del Mundo Real de XAI
- Estudios de caso en atención médica, finanzas y gobierno
- Interpretación de modelos de IA para el cumplimiento regulatorio
- Generación de confianza con sistemas de IA transparentes
Direcciones Futuras en la IA Explicable
- Investigación emergente en XAI
- Desafíos al escalar XAI para sistemas a gran escala
- Oportunidades para el futuro de la IA transparente
Resumen y Próximos Pasos
Requerimientos
- Experiencia en aprendizaje automático y desarrollo de modelos de IA
- Familiaridad con la programación en Python
Audiencia Objetivo
- Científicos de datos
- Ingenieros de aprendizaje automático
- Especialistas en IA
21 Horas
