OnlineBerufsbegleitend
Erklärbare KI (XAI): Methoden und Anwendungen für transparente Modelle
infofeld GmbH infofeld GmbH Wiesenstraße 1, 91757 Treuchtlingen
Beschreibung
Modul 01: Einführung in Explainable AI (XAI)
- Warum Erklärbarkeit in KI wichtig ist
- Begriffsklärung: Erklärbarkeit, Transparenz, Interpretierbarkeit
- Regulatorische Anforderungen (z. B. EU AI Act)
- Typen erklärbarer Systeme: intrinsisch vs. post-hoc
Modul 02: Methoden der Modellinterpretation - Modellagnostische vs. modellinterne Verfahren - Globale vs. lokale Erklärbarkeit - Feature Importance (Permutation, Gain) - Partial Dependence Plots (PDP) und ALE-Plots - Counterfactual Explanations und Kontrastive Erklärungen - Surrogatmodelle (z. B. Entscheidungsbäume zur Vereinfachung komplexer Modelle) - Visualisierungsstrategien und Interpretationshilfen
Modul 03: Praktische Einführung: SHAP, LIME & Co. - Theorie und Anwendungsbereiche von LIME - SHAP-Werte und Shapley-Theorie - Vergleich SHAP vs. LIME vs. Permutation Importance - Implementierung und Visualisierung in Python - Interpretation von Ergebnissen und typische Stolperfallen
Modul 04: Use Cases und Branchenbeispiele - Erklärbarkeit in der Industrie (z. B. Qualitätssicherung, Wartung) - XAI im Finanzsektor und Gesundheitswesen - Erfahrungsberichte aus realen Projekten - Diskussion: Vertrauen und Transparenz als Wettbewerbsvorteil
Modul 05: Grenzen, Herausforderungen und Ausblick - Black Box vs. White Box Trade-offs - Bias und Fairness im Kontext von XAI - Verständnis von Unsicherheit und Vertrauensintervallen - Zukunftsperspektiven: Causal XAI, Neuro-Symbolic AI - Abschließende Reflexion und Diskussion
Modul 02: Methoden der Modellinterpretation - Modellagnostische vs. modellinterne Verfahren - Globale vs. lokale Erklärbarkeit - Feature Importance (Permutation, Gain) - Partial Dependence Plots (PDP) und ALE-Plots - Counterfactual Explanations und Kontrastive Erklärungen - Surrogatmodelle (z. B. Entscheidungsbäume zur Vereinfachung komplexer Modelle) - Visualisierungsstrategien und Interpretationshilfen
Modul 03: Praktische Einführung: SHAP, LIME & Co. - Theorie und Anwendungsbereiche von LIME - SHAP-Werte und Shapley-Theorie - Vergleich SHAP vs. LIME vs. Permutation Importance - Implementierung und Visualisierung in Python - Interpretation von Ergebnissen und typische Stolperfallen
Modul 04: Use Cases und Branchenbeispiele - Erklärbarkeit in der Industrie (z. B. Qualitätssicherung, Wartung) - XAI im Finanzsektor und Gesundheitswesen - Erfahrungsberichte aus realen Projekten - Diskussion: Vertrauen und Transparenz als Wettbewerbsvorteil
Modul 05: Grenzen, Herausforderungen und Ausblick - Black Box vs. White Box Trade-offs - Bias und Fairness im Kontext von XAI - Verständnis von Unsicherheit und Vertrauensintervallen - Zukunftsperspektiven: Causal XAI, Neuro-Symbolic AI - Abschließende Reflexion und Diskussion