Cảm ơn bạn đã gửi yêu cầu! Một thành viên trong đội ngũ của chúng tôi sẽ liên hệ với bạn ngay lập tức.
Cảm ơn bạn đã gửi đặt chỗ! Một thành viên trong đội ngũ của chúng tôi sẽ liên hệ với bạn ngay lập tức.
Thời gian kéo dài 14 Giờ học
Đề cương khóa học
Giới thiệu về Trí tuệ Nhân tạo Giải thích được
- Trí tuệ Nhân tạo Giải thích được (XAI) là gì?
- Tầm quan trọng của tính minh bạch trong các mô hình AI
- Các thách thức chính trong khả năng giải thích của AI
Các Kỹ thuật XAI Cơ bản
- Các phương pháp độc lập mô hình: LIME, SHAP
- Các phương pháp giải thích cụ thể cho từng mô hình
- Giải thích các quyết định được đưa ra bởi các mô hình hộp đen
Thực hành với Công cụ XAI
- Giới thiệu các thư viện XAI mã nguồn mở
- Thực hiện XAI trong các mô hình học máy đơn giản
- Trực quan hóa các lời giải thích và hành vi của mô hình
Thách thức trong Khả năng Giải thích
- Sự đánh đổi giữa độ chính xác và khả năng giải thích
- Hạn chế của các phương pháp XAI hiện tại
- Xử lý thiên kiến và công bằng trong các mô hình giải thích được
Các Cân nhắc Đạo đức trong XAI
- Hiểu các hệ quả đạo đức của tính minh bạch AI
- Cân bằng giữa khả năng giải thích và hiệu suất mô hình
- Những lo ngại về quyền riêng tư và bảo vệ dữ liệu trong XAI
Ứng dụng Thực tế của XAI
- XAI trong y tế, tài chính và thực thi pháp luật
- Yêu cầu pháp quy về khả năng giải thích
- Xây dựng niềm tin vào các hệ thống AI thông qua tính minh bạch
Các Khái niệm XAI Nâng cao
- Khám phá các lời giải thích phản thực (counterfactual explanations)
- Giải thích mạng nơ-ron và các mô hình học sâu
- Giải thích các hệ thống AI phức tạp
Xu hướng Tương lai trong Trí tuệ Nhân tạo Giải thích được
- Các kỹ thuật mới nổi trong nghiên cứu XAI
- Thách thức và cơ hội cho tính minh bạch AI trong tương lai
- Ảnh hưởng của XAI đến việc phát triển AI có trách nhiệm
Yêu cầu
- Hiểu biết cơ bản về các khái niệm học máy
- Quen thuộc với lập trình Python
Đối tượng tham gia
- Người mới bắt đầu với AI
- Những người đam mê khoa học dữ liệu
