연락처 정보

코스 개요

고급 XAI 기법 소개

  • 기초적인 XAI 방법론에 대한 복습
  • 복잡한 AI 모델을 해석하는 데 따르는 어려움들
  • XAI 연구 및 개발 분야의 최신 동향

모델에 구애받지 않는 설명 기법들

  • SHAP (SHapley Additive exPlanations)
  • LIME (Local Interpretable Model-agnostic Explanations)
  • Anchor explanations

모델 특화형 설명 기법들

  • Layer-wise relevance propagation (LRP)
  • DeepLIFT (Deep Learning Important FeaTures)
  • 기울기 기반 방법들(Grad-CAM, Integrated Gradients)

딥러닝 모델의 해석법

  • 합성곱 신경망(CNN)의 해석 방법
  • 순환 신경망(RNN)을 설명하는 기법
  • 트랜스포머 기반 모델(BERT, GPT) 분석법

해석 가능성과 관련된 난제들 극복하기

  • 블랙박스형 모델이 지닌 한계점에 대처하는 법
  • 예측 정확도와 해석 가능성 간의 균형 유지법
  • 설명 내용 속에서 발생할 수 있는 편향 및 공정성 문제 다루기

실제 시스템에서의 XAI 활용 사례

  • 의료, 금융, 법률 분야에서의 XAI 적용 가능성
  • 인공지능 관련 규제 및 준수 요건들
  • XAI를 통한 신뢰도 향상 및 책임감 강화 방안

설명 가능한 인공지능의 미래 전망

  • XAI 분야에서 떠오르고 있는 기법 및 도구들
  • 차세대 설명 가능성 모델들의 등장 방향
  • 인공지능 투명성 확보와 관련된 기회 및 과제들

요약 및 향후 학습 방향 제시

요건

  • 인공지능 및 머신러닝에 대한 탄탄한 이해
  • 신경망 및 딥러닝 활용 경험
  • 기초적인 XAI 기법들에 대한 지식

수강 대상

  • 경험이 풍부한 인공지능 연구자
  • 머신러닝 엔지니어
 21 시간

참가자 수


참가자별 가격

예정된 코스

관련 카테고리