Datum: 14. & 15. September 2023 – appliedAI TransferLab
Uhrzeit: 09:00 Uhr – 17:00 Uhr
Ein Workshop für alle ML-Praktiker, die ihre Modelle für sich selbst und Entscheidungsträger besser verständlich machen wollen.
Sicherheits- und Zuverlässigkeitsbedenken sind große Hindernisse für die Einführung von KI in der Praxis. Darüber hinaus wird die europäische Gesetzgebung die Erläuterung der Entscheidungen von Modellen zu einer Voraussetzung für so genannte Hochrisiko-KI-Anwendungen machen.
Wenn Modelle an Größe und Komplexität zunehmen, werden sie immer weniger interpretierbar. Die Erklärbarkeit beim maschinellen Lernen versucht, dieses Problem zu lösen, indem sie Einblicke in den Inferenzprozess eines Modells gewährt. Sie kann als Werkzeug eingesetzt werden, um Modelle vertrauenswürdiger, zuverlässiger, übertragbarer, fairer und robuster zu machen. Sie ist jedoch nicht unproblematisch, da Algorithmen oft widersprüchliche Erklärungen für dieselben Phänomene liefern.
Ergebnisse des Lernens
Wir betrachten den Prozess des maschinellen Lernens unter dem Blickwinkel der Erklärbarkeit. Durch eine Reihe von praktischen Anwendungsbeispielen werden die Teilnehmer in die folgenden Methoden eingeführt:
- Explorative Datenanalyse
- Auswahl und Entwicklung von Merkmalen
- Modellauswahl
- Modellauswertung und Visualisierung
- Modellinterpretation und -erklärung
Diese sind darauf zugeschnitten, das Verständnis dafür zu verbessern, warum sich ein Modell so verhält, wie es sich verhält.
Inhalt
- Ziele der erklärbaren KI
- Interpretierbare Modelle vs. Black-Box-Erklärungen. Wann man das eine dem anderen vorzieht
- Post-hoc-Methoden wie Shapley-Werte und LIME
- Interpretierbares maschinelles Lernen für Zeitreihen, z. B. Prophet und neuronale Basiserweiterung
- Erklärbares Deep Learning, z. B. Aufmerksamkeit und TCAV