Dokładność i interpretowalność

Jesteś data scientist świadczącym usługi doradcze dla startupu medycznego, który tworzy model AI do przewidywania ponownych hospitalizacji pacjentów w ciągu 30 dni od wypisania. Klient upiera się przy wyborze modelu o najwyższej dokładności, uznając go za najlepsze rozwiązanie dla swoich potrzeb. Opracowałeś kilka modeli o różnym poziomie dokładności i wyjaśnialności – teraz musisz doradzić klientowi, który wybór jest najbardziej odpowiedni w kontekście opieki zdrowotnej.

Biorąc pod uwagę znaczenie zarówno dokładności, jak i wyjaśnialności w opiece zdrowotnej, który z poniższych modeli powinieneś polecić klientowi jako najbardziej odpowiedni do przewidywania ponownych hospitalizacji?

To ćwiczenie jest częścią kursu

Koncepcje wyjaśnialnej sztucznej inteligencji (XAI)

Interaktywne ćwiczenie praktyczne

Przekształć teorię w praktykę dzięki jednemu z naszych interaktywnych ćwiczeń

Rozpocznij ćwiczenie

To ćwiczenie jest częścią kursu

Koncepcje wyjaśnialnej sztucznej inteligencji (XAI)

SkillTag.level.beginnerSkillTag.label

4.8+

Rozpocznij kurs za darmo

Przyjrzymy się wyjaśnialnej sztucznej inteligencji (XAI), kładąc nacisk na jej rolę w zapewnianiu transparentności, interpretowalności i wiarygodności systemów AI. Omówimy możliwości AI w zakresie przewidywania i generowania treści, podkreślając potrzebę jasnych procesów decyzyjnych. Zbadamy też metody, które pozwalają uczynić złożone modele AI bardziej zrozumiałymi dla szerokiego grona odbiorców.

Exercise 1: Dlaczego wyjaśnialna SI ma znaczenie Exercise 2: Przejrzystość czy interpretowalność Exercise 3: Scenariusze interpretowalności Exercise 4: Cele XAI Exercise 5: Techniczne aspekty XAI Exercise 6: Podstawy XAI – sprawdź swoją wiedzę Exercise 7: Dokładność i interpretowalność

Bieżące ćwiczenie

Exercise 8: Komunikacja na temat XAI Exercise 9: Segmentacja odbiorców Exercise 10: Balansowanie między dokładnością a prostotą

Omówimy techniki wyjaśnialnej sztucznej inteligencji (XAI), dzieląc je na wyjaśnienia specyficzne dla modelu, niezależne od modelu, lokalne i globalne – wszystko po to, by rozjaśnić procesy decyzyjne AI. Przyjrzymy się regresji i klasyfikacji w kontekście wyjaśnień specyficznych dla modelu, a także poznamy SHAP i LIME jako narzędzia do interpretacji modeli typu czarna skrzynka. Poruszymy również kwestię złożoności dużych modeli językowych (LLM), zwracając uwagę na potrzebę transparentności ich procesów decyzyjnych.

Exercise 1: Techniki XAI Exercise 2: Wyjaśnienie lokalne czy globalne Exercise 3: Specyficzne dla modelu czy niezależne od modelu Exercise 4: Wyjaśnienia specyficzne dla modelu Exercise 5: Analogie dla regresji i klasyfikacji Exercise 6: Modele czarne skrzynki w procesie podejmowania decyzji Exercise 7: Wyjaśnienia niezależne od modelu Exercise 8: SHAP, LIME czy obie?Exercise 9: Rola SHAP i LIME w XAI Exercise 10: Wyjaśnialność modeli językowych (LLM)Exercise 11: Czym są duże modele językowe (LLM)?Exercise 12: Rozumowanie dużych modeli językowych

Zbadamy transformacyjny wpływ XAI na zwiększanie dostępności i przyjazności sztucznej inteligencji w różnych sektorach. Włączając wyjaśnialność od samego początku projektowania, zapewniamy transparentność systemów AI – budujemy zaufanie i pogłębiamy współpracę między człowiekiem a maszyną. Na podstawie studiów przypadków pokażemy, jak XAI demistyfikuje złożone decyzje AI, umożliwiając użytkownikom o różnym poziomie wiedzy technicznej korzystanie z wyników AI do bardziej świadomego podejmowania decyzji.

Exercise 1: Dostosowywanie AI do użytkownika Exercise 2: XAI dla użytkownika końcowego Exercise 3: Ryzyko pomijania użytkownika końcowego Exercise 4: XAI w praktyce projektowania Exercise 5: Weryfikacja kandydatów do pracy Exercise 6: Stosowanie XAI w fazie projektowania Exercise 7: XAI w e-learningu Exercise 8: XAI w praktyce Exercise 9: Wymagania XAI w poszczególnych branżach Exercise 10: Zaufanie do systemu AI Exercise 11: Przyszłość XAI Exercise 12: XAI z perspektywy wielu dziedzin Exercise 13: Proaktywny rozwój i wdrożenie Exercise 14: Podsumowanie