Programa do Curso

Introdução à IA explicável (XAI) e à transparência de modelos

  • O que é a IA explicável?
  • Porque é que a transparência é importante nos sistemas de IA
  • Interpretabilidade vs. desempenho em modelos de IA

Visão geral das técnicas de XAI

  • Métodos agnósticos de modelos: SHAP, LIME
  • Técnicas de explicabilidade específicas dos modelos
  • Explicação das redes neuronais e dos modelos de aprendizagem profunda

Construir modelos de IA transparentes

  • Implementar modelos interpretáveis na prática
  • Comparação entre modelos transparentes e modelos de caixa negra
  • Equilíbrio entre complexidade e explicabilidade

Ferramentas e bibliotecas avançadas de XAI

  • Utilização do SHAP para interpretação de modelos
  • Aproveitamento do LIME para explicabilidade local
  • Visualização de decisões e comportamentos de modelos

Abordar a equidade, o enviesamento e a IA ética

  • Identificar e mitigar o enviesamento nos modelos de IA
  • Equidade na IA e os seus impactos sociais
  • Garantir a responsabilidade e a ética na implementação da IA

Aplicações da XAI no mundo real

  • Estudos de caso nos sectores da saúde, finanças e administração pública
  • Interpretar modelos de IA para conformidade regulamentar
  • Criar confiança com sistemas de IA transparentes

Direcções futuras em IA explicável

  • Investigação emergente em XAI
  • Desafios no escalonamento da XAI para sistemas de grande escala
  • Oportunidades para o futuro da IA transparente

Resumo e próximas etapas

Requisitos

  • Experiência em aprendizagem automática e desenvolvimento de modelos de IA
  • Familiaridade com a programação Python

Público-alvo

  • Cientistas de dados
  • Engenheiros de aprendizagem automática
  • Especialistas em IA
 21 Horas

Número de participantes


Preço por Participante

Próximas Formações Provisórias

Categorias Relacionadas