Tag 1 – Einführung in XAI (Explainable AI)
Thema: Überblick über XAI-Methoden, -Formen und -Frameworks
- XAI-Methoden und ihre Klassifizierungen
- Formen der Erklärung
- Frameworks zur Modellinterpretierbarkeit und -erklärung
- Methoden zur Wissensextraktion
- Methoden zur Ergebnisvisualisierung
Thema: Datenzentrierte Ansätze
- Einführung in datenorientierte XAI
- Gründliche Datenanalyse und Profiling-Prozess
- Überwachung und Erkennung von Datenabweichungen (Drifts)
- Überprüfung der adversarialen Robustheit
- Messung der Datenvorhersagefähigkeit
Tag 2 – Vertrauenswürdige, erklärbare Systeme und Best Practices aus der Industrie
Thema: Erklärbare und vertrauenswürdige multimodale XAI
- Grosse Sprachmodelle (LLMs) und ihre generative Leistungsfähigkeit für multimodale XAI
- Validierung von Interpretierbarkeit, Erklärbarkeit und Vertrauenswürdigkeit multimodaler XAI-Systeme
- Richtlinien zur Prüfung multimodaler XAI-Systeme im Einklang mit Normen und Vorschriften
Thema: Best Practices der Industrie für XAI
- Aktuelle Herausforderungen von XAI
- Richtlinien für das Design erklärbarer ML-Systeme
- Einführung eines datenorientierten Ansatzes für Erklärbarkeit
- Betonung von IML (Interpretable Machine Learning) zur Förderung der Erklärbarkeit
- Betonung präskriptiver Erkenntnisse für Erklärbarkeit
- Abschliessende Roadmap, Reflexions-Checkliste und Zertifikatsverleihung
Die Vorteile für Kursteilnehmende
- Die Bedeutung von erklärbarer künstlicher Intelligenz (XAI) verstehen und nachvollziehen, wie sie Vertrauen, Verantwortlichkeit und Entscheidungsfindung in verschiedenen beruflichen Bereichen prägt.
- Zentrale Theorien und Prinzipien der Erklärbarkeit beherrschen und nachvollziehen, wie Transparenz und Interpretierbarkeit in KI-Systemen erreicht werden.
- Praktische XAI-Techniken durch Experimente mit realen Datensätzen und Jupyter-Notebooks anwenden – mit Fokus auf Bereiche wie Gesundheitswesen, Finanzwesen und Logistik.
- Das Zusammenspiel von XAI, Fairness, Bias und Transparenz analysieren und mittels rechnergestützter Experimente ethische sowie leistungsbezogene Abwägungen evaluieren.
- Rechtliche, ethische und gesellschaftliche Aspekte von XAI kritisch beurteilen und eine fundierte Perspektive auf verantwortungsvolle KI-Governance und -Implementierung entwickeln.
