Risiko tidak melibatkan pengguna akhir

Anda bekerja sama dengan sebuah perusahaan aplikasi kebugaran yang ingin meningkatkan keterlibatan pengguna melalui rekomendasi latihan yang dipersonalisasi. Perusahaan ingin memanfaatkan AI untuk menganalisis tingkat kebugaran, preferensi, dan progres pengguna, lalu memberikan saran yang disesuaikan agar mereka tetap termotivasi. Kekhawatiran utamanya adalah memastikan fitur berbasis AI benar-benar meningkatkan pengalaman pengguna akhir tanpa membuat antarmuka menjadi terlalu rumit atau mengganggu.

Dengan mempertimbangkan tujuan meningkatkan keterlibatan pengguna melalui pengalaman yang dipersonalisasi, fitur AI mana yang perlu diprioritaskan agar berdampak positif pada pengalaman pengguna akhir? Pilih dua opsi yang sesuai.

Latihan ini merupakan bagian dari kursus

Konsep Explainable Artificial Intelligence (XAI)

Lihat Kursus

Latihan interaktif langsung

Ubah teori menjadi aksi dengan salah satu latihan interaktif kami

Mulai latihan

Latihan ini merupakan bagian dari kursus

Konsep Explainable Artificial Intelligence (XAI)

SkillTag.level.beginnerSkillTag.label

4.9+

958 reviews

Mulai Kursus Gratis

Kita membahas Explainable AI (XAI), menekankan perannya dalam membuat sistem AI menjadi transparan, dapat ditafsirkan, dan tepercaya. Kita mengeksplorasi kemampuan AI dalam prediksi dan pembuatan konten, sekaligus menegaskan perlunya proses pengambilan keputusan yang jelas. Selain itu, kita meninjau metode untuk membuat model AI yang kompleks lebih mudah dipahami oleh beragam audiens.

Exercise 1: Mengapa Explainable AI Penting Exercise 2: Transparansi atau interpretabilitas Exercise 3: Skenario yang dapat diinterpretasikan Exercise 4: Tujuan XAI Exercise 5: Aspek teknis XAI Exercise 6: Memahami dasar-dasar XAI Exercise 7: Akurasi dan keterjelasan Exercise 8: Berkomunikasi tentang XAI Exercise 9: Segmentasi audiens Exercise 10: Menyeimbangkan akurasi dan kesederhanaan

Kita mengeksplorasi teknik Explainable AI (XAI), mengelompokkannya menjadi penjelasan khusus model, agnostik model, lokal, dan global untuk memperjelas pengambilan keputusan AI. Kita membahas regresi dan klasifikasi untuk wawasan khusus model serta memperkenalkan SHAP dan LIME untuk menafsirkan model kotak hitam. Selain itu, kita membahas kompleksitas Large Language Models (LLMs), dengan menekankan kebutuhan akan transparansi dalam proses pengambilan keputusan mereka.

Exercise 1: Teknik XAI Exercise 2: Lokal atau global Exercise 3: Khusus model atau agnostik model Exercise 4: Penjelasan yang spesifik terhadap model Exercise 5: Analogi untuk regresi dan klasifikasi Exercise 6: Model black box dalam pengambilan keputusan Exercise 7: Penjelasan yang tidak bergantung pada model Exercise 8: SHAP, LIME, atau Keduanya?Exercise 9: Peran SHAP dan LIME dalam XAI Exercise 10: Keterjelasan LLM Exercise 11: Memahami LLM Exercise 12: Penalaran LLM

Kita menelaah dampak transformatif XAI dalam membuat kecerdasan buatan lebih mudah diakses dan ramah pengguna di berbagai sektor. Dengan mengintegrasikan keterjelasan sejak awal, kita memastikan sistem AI bersifat transparan, menumbuhkan kepercayaan, dan memfasilitasi kolaborasi yang lebih mendalam antara manusia dan mesin. Melalui studi kasus dunia nyata, kita menyoroti bagaimana XAI mengurai keputusan AI yang kompleks, memberdayakan pengguna dengan latar belakang teknis yang beragam untuk memanfaatkan wawasan AI demi pengambilan keputusan yang lebih tepat.

Exercise 1: Menyesuaikan AI dengan pengguna Exercise 2: XAI untuk pengguna akhir Exercise 3: Risiko tidak melibatkan pengguna akhir

Latihan Saat Ini

Exercise 4: XAI sejak tahap desain Exercise 5: Penyaringan pelamar kerja Exercise 6: Menerapkan XAI melalui desain Exercise 7: XAI untuk pembelajaran daring Exercise 8: XAI dalam praktik Exercise 9: Persyaratan XAI per industri Exercise 10: Memercayai sistem AI Exercise 11: Masa Depan XAI Exercise 12: XAI lintas disiplin Exercise 13: Pengembangan dan penerapan proaktif Exercise 14: Rekap