Erklärbare Künstliche Intelligenz
Zielgruppe des Kurses sind Interessierte mit grundlegenden bis fortgeschrittenen Kenntnissen in KI und maschinellem Lernen. Der Kurs vermittelt etablierte und aktuelle Methoden der erklärbaren Künstlichen Intelligenz (XAI), um die Nachvollziehbarkeit von KI-Systemen zu verbessern und Blackbox-Modelle verständlicher zu machen. Anhand konkreter Anwendungsfälle werden Verfahren zur Erklärung und Evaluation von KI-Modellen vorgestellt sowie deren Beitrag zur Entwicklung vertrauenswürdiger KI-Systeme behandelt.
Überblick
KI-Systeme, insbesondere solche, die auf gelernten Modellen basieren, sind häufig intransparente Blackboxes. Erklärbare Künstliche Intelligenz (XAI) entwickelt Methoden, die es ermöglichen diese Intransparenz zu reduzieren und Ausgaben von KI-Systemen nachvollziehbar zu machen. Im Kurs werden etablierte und aktuelle XAI-Ansätze methodisch vorgestellt und an konkreten Anwendungsfällen illustriert. Es wird aufgezeigt, wie die Güte von XAI-Methoden evaluiert werden kann. Zudem wird vorgestellt, welche Beiträge XAI zur Gestaltung vertrauenswürdiger KI-Systeme leisten kann.
Welche Inhalte erwarten mich?
- Überblick über Ansätze der erklärbaren Künstlichen Intelligenz
- Detaillierte Vorstellung von grundlegenden XAI-Algorithmen
- Erproben von XAI-Methoden in Jupyter-Notebooks
- Vertrauenswürdigkeit von KI-Modellen und Evaluierung von XAI-Methoden
Was werde ich erreichen?
Bei Abschluss des Kurses sind Sie in der Lage...
- Verschiedene Methoden der erklärbaren KI zu beschreiben und voneinander abzugrenzen
- Geeignete Erklärbarkeitsmethoden für bestimmte Anwendungsfälle auszuwählen
- Erklärbarkeitsmethoden in einem Anwendungsfall umzusetzen
Welche Voraussetzungen benötige ich?
- Grundlagen im Maschinellen Lernen bzw. in Künstlicher Intelligenz (empfohlen)
- Interesse an Methoden der erklärbaren Künstlichen Intelligenz (XAI)
- Für fortgeschrittene Inhalte: grundlegende Kenntnisse in Python und Jupyter-Notebooks von Vorteil
- Grundlegende mathematische Kenntnisse hilfreich (z. B. Statistik und lineare Algebra)
