Tvärvetenskaplig XAI

När tvärvetenskapliga insikter integreras i utvecklingen av XAI-system inser vi hur viktigt det är att skapa lösningar som är tekniskt kompetenta, etiskt förankrade och samhällsansvarsfulla. För att ett AI-system, som en sjukvårdsassistent, ska kunna kommunicera diagnostiska beslut effektivt till en bred målgrupp behöver perspektiv från samhällsvetenskap, humaniora och etik vävas in – så att tekniken harmonierar med mänskliga värderingar och samhällets normer.

Du utvecklar en AI-driven sjukvårdsassistent som ska förklara diagnostiska beslut för en bred användargrupp, inklusive både sjukvårdspersonal och patienter. Hur bör tvärvetenskapliga insikter integreras i systemets design för att säkerställa att förklaringarna är etiskt förankrade, lättförståeliga och handlingsbara?

Den här övningen är en del av kursen

Förklarbar artificiell intelligens (XAI) – Koncept

Interaktiv övning med praktiskt arbete

Gör teori till handling med en av våra interaktiva övningar

Starta övningen

Den här övningen är en del av kursen

Förklarbar artificiell intelligens (XAI) – Koncept

SkillTag.level.beginnerSkillTag.label

4.8+

Starta kursen gratis

Vi utforskar förklarbar AI (XAI) och betonar dess roll när det gäller att göra AI-system transparenta, tolkningsbara och tillförlitliga. Vi går igenom AI:s förmågor inom förutsägelse och innehållsgenerering och understryker behovet av tydliga beslutsprocesser. Dessutom undersöker vi metoder för att göra komplexa AI-modeller mer begripliga för en bred publik.

Exercise 1: Varför förklarbar AI spelar roll Exercise 2: Transparens eller tolkningsbarhet Exercise 3: Tolkningsbara scenarier Exercise 4: XAI:s mål Exercise 5: Det tekniska bakom XAI Exercise 6: Grundläggande begrepp inom XAI Exercise 7: Noggrannhet och tolkningsbarhet Exercise 8: Att kommunicera om XAI Exercise 9: Målgruppssegmentering Exercise 10: Att balansera noggrannhet och enkelhet

Vi utforskar XAI-tekniker och delar in dem i modellspecifika, modellagnostiska, lokala och globala förklaringar för att tydliggöra hur AI fattar beslut. Vi diskuterar regression och klassificering för modellspecifika insikter och introducerar SHAP och LIME för att tolka svarta lådan-modeller. Vi tar också upp komplexiteten hos stora språkmodeller (LLM:er) och betonar behovet av transparens i deras beslutsprocesser.

Exercise 1: XAI-tekniker Exercise 2: Lokal eller global Exercise 3: Modellspecifik eller modellagnostisk Exercise 4: Modellspecifika förklaringar Exercise 5: Analogier för regression och klassificering Exercise 6: Black box-modeller i beslutsfattande Exercise 7: Modellagnostiska förklaringar Exercise 8: SHAP, LIME eller båda?Exercise 9: SHAP:s och LIME:s roll inom XAI Exercise 10: Förklarbarhet hos LLM:er Exercise 11: Förstå LLM:er Exercise 12: LLM:ers resonemang

Vi utforskar hur XAI gör artificiell intelligens mer tillgänglig och användarvänlig inom en rad olika sektorer. Genom att integrera förklarbarhet redan från start säkerställer vi att AI-system är transparenta – vilket bygger förtroende och möjliggör ett djupare samarbete mellan människor och maskiner. Med hjälp av verkliga fallstudier visar vi hur XAI gör komplexa AI-beslut begripliga och ger användare med olika teknisk bakgrund möjlighet att dra nytta av AI-insikter för ett mer välgrundat beslutsfattande.

Exercise 1: Att anpassa AI till användaren Exercise 2: XAI för slutanvändaren Exercise 3: Risker med att inte involvera slutanvändaren Exercise 4: XAI som grundprincip Exercise 5: Granskning av jobbsökande Exercise 6: Tillämpa XAI by design Exercise 7: XAI för onlinelärande Exercise 8: XAI i praktiken Exercise 9: XAI-krav per bransch Exercise 10: Att lita på AI-systemet Exercise 11: XAI:s framtid Exercise 12: Tvärvetenskaplig XAI

Aktuell övning

Exercise 13: Proaktiv utveckling och driftsättning Exercise 14: Sammanfattning