Vielen Dank für die Zusendung Ihrer Anfrage! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Vielen Dank, dass Sie Ihre Buchung abgeschickt haben! Eines unserer Teammitglieder wird Sie in Kürze kontaktieren.
Schulungsübersicht
Einführung in fortschrittliche XAI-Techniken
- Übersicht über grundlegende XAI-Methoden
- Herausforderungen bei der Interpretation komplexer KI-Modelle
- Trends in Forschung und Entwicklung von XAI
Modellagnostische Erklärbarkeitsmethoden
- SHAP (SHapley Additive exPlanations)
- LIME (Local Interpretable Model-agnostic Explanations)
- Anchor-Erklärungen
Modellspezifische Erklärbarkeitsmethoden
- Layer-wise Relevance Propagation (LRP)
- DeepLIFT (Deep Learning Important FeaTures)
- Gradientenbasierte Methoden (Grad-CAM, Integrated Gradients)
Erklärung von Deep-Learning-Modellen
- Interpretation von Convolutional Neural Networks (CNNs)
- Erläuterung von Recurrent Neural Networks (RNNs)
- Analyse transformerbasierter Modelle (BERT, GPT)
Umgang mit Herausforderungen der Interpretierbarkeit
- Bewältigung der Beschränkungen von Black-Box-Modellen
- Abwägung zwischen Genauigkeit und Interpretierbarkeit
- Umgang mit Voreingenommenheit und Fairness in Erklärungen
Anwendungen von XAI in realen Systemen
- XAI in den Bereichen Gesundheit, Finanzen und Justiz
- Anforderungen an Regulierung und Compliance im Bereich der KI
- Aufbau von Vertrauen und Verantwortlichkeit durch XAI
Zukunftstrends im Explainable AI
- Aufkommende Techniken und Tools im Bereich XAI
- Erklärbarkeitsmodelle der nächsten Generation
- Chancen und Herausforderungen bei der KI-Transparenz
Zusammenfassung und nächste Schritte
Voraussetzungen
- Fundiertes Verständnis von KI und maschinellem Lernen
- Erfahrung mit neuronalen Netzen und Deep Learning
- Vertrautheit mit grundlegenden XAI-Techniken
Zielgruppe
- Erfahrene KI-Forschende
- Machine-Learning-Ingenieurinnen und -Ingenieure
21 Stunden
