La «IA Explicable» o «Explicación en Inteligencia Artificial» (Explainable AI, XAI en inglés) se refiere a un conjunto de técnicas y enfoques en el campo de la inteligencia artificial diseñados para hacer que los modelos de aprendizaje automático sean más comprensibles y transparentes para los seres humanos, especialmente para aquellos que no son expertos en inteligencia artificial. El objetivo principal de XAI es mejorar la interpretabilidad de los modelos de inteligencia artificial y proporcionar explicaciones claras sobre cómo y por qué toman decisiones específicas.
DevAcademy propone una formación pensada por y para desarrolladores de software que desean adquirir conocimientos prácticos en el campo de la Inteligencia Artificial Explicable (XAI) utilizando el lenguaje de programación Python. A través de este curso, los participantes aprenderán las técnicas y enfoques fundamentales para hacer que los modelos de aprendizaje automático sean más comprensibles y transparentes utilizando herramientas y bibliotecas de Python.
Objetivos:
- Comprender los conceptos fundamentales de la Inteligencia Artificial Explicable (XAI) y su importancia en aplicaciones de aprendizaje automático.
- Aplicar técnicas de XAI para visualizar y explicar modelos de aprendizaje automático.
- Utilizar herramientas y bibliotecas populares para implementar XAI en proyectos de software.
- Evaluar la interpretabilidad y transparencia de modelos de IA en aplicaciones específicas.
- Contribuir a la construcción de sistemas de IA éticos y confiables.
Temario
- Conceptos básicos de XAI y su importancia en el aprendizaje automático.
- Desafíos y preocupaciones en torno a la interpretabilidad de modelos de IA en Python.
- Ejemplos de aplicaciones de XAI en la vida real utilizando Python.
- Métodos para visualizar características influyentes en la toma de decisiones de modelos de IA en Python:
- Generación de mapas de calor con la biblioteca Seaborn en Python.
- Uso de Matplotlib y Plotly para representaciones gráficas de características destacadas en Python.
- Utilización de bibliotecas de visualización como SHAP en Python.
- Análisis de la contribución de características en la salida del modelo en Python
- Introducción a SHAP (SHapley Additive exPlanations) en Python y su aplicación en la explicación de modelos.
- Cálculo de valores SHAP en Python para entender la contribución de cada característica en una predicción.
- Interpretación de las contribuciones de características en modelos de clasificación y regresión en Python mediante ejemplos prácticos.
- Introducción a modelos intrínsecamente interpretables en Python
- Desarrollo de modelos de árboles de decisión con Scikit-Learn y su capacidad para explicar decisiones en Python.
- Uso de regresiones lineales en Python para comprender la relación entre variables de entrada y salida.
- Aplicación de modelos de regresión logística en Python para interpretación de clasificaciones.
- Generación de explicaciones humanamente comprensibles en texto en Python:
- Uso de generación de lenguaje natural con bibliotecas como NLTK y spaCy en Python para explicar decisiones de modelos.
- Implementación de sistemas de diálogo utilizando bibliotecas de procesamiento de lenguaje natural en Python.
- Uso de GPT-3 y modelos de lenguaje en Python para generar explicaciones narrativas.
- Incorporación de reglas y lógica en la toma de decisiones de IA en Python
- Diseño de sistemas híbridos en Python que combinan reglas humanamente comprensibles con modelos de IA.
- Ejemplos de aplicaciones en atención médica, finanzas y atención al cliente utilizando Python.
- Implementación de motores de reglas en Python para definir comportamientos específicos basados en condiciones lógicas.
- Métricas y técnicas para evaluar la interpretabilidad de modelos en Python
- Introducción a métricas de interpretabilidad específicas y su implementación en Python.
- Evaluación de la calidad de las explicaciones generadas por modelos de XAI en Python.
- Identificación de casos de uso en Python donde la interpretabilidad es crítica para la toma de decisiones.
Responsabilidades profesor
Presentar el contenido conforme lo presentado en el programa de formación
Proyecto en Github para clonar
Dar acceso al material necesario (PDFs, ejercicios, software, etcs) para el curso contratado.
Proveer de local para impartir la formación
Responsabilidades alumno
Participar en la formación en el periodo determinado, trayendo un notebook con los requisitos mínimos necesarios para la participación en la formación, siendo estos los siguientes:
Mínimo de 4GB de memoria RAM
Mínimo de 10GB de espacio en disco (HD).
Habilitada la virtualización tanto en software como hardware
Poseer privilegios de administración
Observaciones importantes
Confirmaciones
Las confirmaciones serán enviadas a la dirección de e-mail enviada por el alumno
Cancelaciones
Los plazos para el cancelamiento de inscripciones solicitadas, son de 5 días laborales antes del inicio del curso.
En caso de cancelamiento fuera de plazo por parte del alumno, DevAcademy se reserva el derecho a cobrar un porcentaje (20%) del valor del curso.
DevAcademy se reserva el derecho de cancelar o posponer la formación, siempre y cuando avise al contratante y/o devuelva el importe íntegro en caso de cancelación
Obligaciones del alumno
Es obligatorio que el alumno cumpla con todos las obligaciones recomendadas por el profesor para seguir todos los ejercicios y no demorar ni perjudicar la clase. Es posible que días antes se envie un email como recordatorio al alumno con instrucciones a seguir u obligaciones desarrollar para poder estar preparado al comienzo de la clase.
