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 las técnicas avanzadas de XAI
- Revisión de métodos básicos de XAI
- Desafíos en la interpretación de modelos complejos de IA
- Tendencias en investigación y desarrollo de XAI
Técnicas explicativas agnósticas al modelo
- SHAP (SHapley Additive exPlanations)
- LIME (Local Interpretable Model-agnostic Explanations)
- Explicaciones basadas en anclas (Anchor explanations)
Técnicas explicativas específicas del modelo
- Propagación de relevancia por capas (LRP, Layer-wise relevance propagation)
- DeepLIFT (Deep Learning Important FeaTures)
- Métodos basados en gradientes (Grad-CAM, Integrated Gradients)
Explicación de modelos de aprendizaje profundo
- Interpretación de redes neuronales convolucionales (CNNs)
- Explicación de redes neuronales recurrentes (RNNs)
- Análisis de modelos basados en transformadores (BERT, GPT)
Manejo de desafíos de interpretabilidad
- Superar las limitaciones de los modelos de caja negra
- Equilibrar la precisión y la interpretabilidad
- Abordar los sesgos y la equidad en las explicaciones
Aplicaciones de XAI en sistemas del mundo real
- XAI en los sectores de salud, finanzas y legal
- Requisitos de regulación y cumplimiento normativo en IA
- Construir confianza y responsabilidad mediante XAI
Tendencias futuras en IA explicable
- Técnicas y herramientas emergentes en XAI
- Modelos de explicabilidad de próxima generación
- Oportunidades y desafíos en la transparencia de la IA
Resumen y próximos pasos
Requerimientos
- Sólida comprensión de la IA y el aprendizaje automático
- Experiencia con redes neuronales y aprendizaje profundo
- Familiaridad con técnicas básicas de XAI
Público objetivo
- Investigadores experimentados en IA
- Ingenieros de aprendizaje automático
21 Horas
