book

IA explicable para profesionales

by Michael Munn, David Pitman

September 2024

Intermediate to advanced

278 pages

9h 24m

Spanish

O'Reilly Media, Inc.

Book available

Read now

Unlock full access

¿Quién debería leer este libro?¿Qué hay y qué no hay en este libro?Muestras de códigoNavegar por este libroConvenciones utilizadas en este libroAprendizaje en línea O'ReillyCómo contactar con nosotrosAgradecimientos
Por qué la IA explicable¿Qué es la IA explicable?¿Quién necesita explicabilidad?Retos de la explicabilidadEvaluar la explicabilidad¿Cómo se ha utilizado la explicabilidad?Cómo utiliza LinkedIn la IA explicablePwC utiliza IA explicable para las reclamaciones de seguros de automóvilesAccenture Labs explica las decisiones sobre préstamosDARPA utiliza IA explicable para construir "IA de tercera ola"Resumen
¿Qué son las explicaciones?Interpretabilidad y explicabilidadExplicabilidad ConsumidoresProfesionales: científicos de datos e ingenieros de MLObservadores: agentes empresariales y reguladoresUsuarios finales-Expertos en el dominio y Usuarios afectadosTipos de explicacionesExplicabilidad previa al modeladoExplicabilidad Intrínseca Versus Explicabilidad Post HocExplicaciones locales, de cohorte y globalesAtribuciones, explicaciones contrafácticas y basadas en ejemplosTemas a lo largo de la explicabilidadAtribuciones de las característicasModelos sustitutosActivaciónPonerlo todo juntoResumen
Permutación Característica ImportanciaImportancia de las características de permutación desde ceroImportancia de las características de permutación en scikit-learnValores ShapleySHAP (exPlanificaciones aditivas SHapley)Visualización de la atribución local de rasgosVisualización de las Atribuciones Globales de RasgosInterpretar las atribuciones de rasgos a partir de los valores de ShapleyValores de Shapley gestionadosExplicación de los modelos basados en árbolesDe los árboles de decisión a los conjuntos de árbolesTreeExplainer de SHAPGráficos de dependencia parcial y gráficos relacionadosParcelas de dependencia parcial (PDP)Gráficos de expectativas condicionales individuales (ICE)Efectos Locales Acumulados (ALE)Resumen
Gradientes integrados (IG)Elegir una línea de baseAcumular GradientesMejoras en los Gradientes IntegradosXRAICómo funciona el XRAIImplantación de XRAIGrad-CAMCómo funciona la Grad-CAMImplantación del Grad-CAMMejora del Grad-CAMCALCómo funciona LIMEImplantación de LIMERetropropagación guiada y Grad-CAM guiadaRetropropulsión guiada y DeConvNetsGrad-CAM guiadaResumen
Visión general de la construcción de modelos con textoTokenizaciónIncrustación de palabras e incrustación preentrenadaCALCómo funciona LIME con el textoGradiente x EntradaIntuición a partir de modelos linealesDe los modelos lineales a los no lineales y textualesGrad L2-normaDegradados integrados en capasUna variación de los gradientes integradosPropagación de Relevancia por Capas (PRL)Cómo funciona la PRLDerivar explicaciones de la atención¿Qué método utilizar?Herramienta de Interpretabilidad de LenguasResumen
Técnicas alternativas de explicabilidadAtribución de entrada alternativaExplicabilidad por diseñoOtras modalidadesDatos de series temporalesDatos multimodalesEvaluación de las técnicas de explicabilidadUn enfoque teóricoEnfoques empíricosResumen
¿Quién utiliza la explicabilidad?Cómo presentar eficazmente las explicacionesAclarar qué, cómo y por qué el ML funcionó como lo hizoRepresentar con precisión las explicacionesBasarse en la comprensión existente del consumidor de MLErrores comunes en el uso de la explicabilidadAsumir la causalidadSobreajustar la intención a un modeloExigir explicaciones adicionalesResumen
Construir pensando en la explicabilidadEl ciclo de vida del MLNormativa sobre IA y explicabilidadQué esperar de la IA explicableExplicaciones naturales y semánticasExplicaciones interrogativasExplicaciones específicasResumen

Consumidores MLTaxonomía de la explicabilidadTécnicas XAIModelos tabularesModelos de imagenModelos de textoTécnicas avanzadas y emergentesInteractuar con la explicabilidadPonerlo todo juntoOtras lecturasIA explicableInteractuar con la explicabilidadPrecisión técnica de las técnicas XAIFragilidad de las técnicas XAIXAI para DNNs

Content preview from IA explicable para profesionales

Sobre los autores

Michael Munn es ingeniero de software de investigación en Google, en el equipo de Soluciones ML. Su investigación se centra en comprender mejor los fundamentos matemáticos del aprendizaje automático y cómo pueden utilizarse esos conocimientos para mejorar los modelos de aprendizaje automático en Google. Anteriormente, trabajó en el Laboratorio de Soluciones Avanzadas de Google Cloud ayudando a los clientes a diseñar, implementar y desplegar modelos de aprendizaje automático a escala. Michael es Doctor en Matemáticas por la Universidad de la Ciudad de Nueva York. Antes de incorporarse a Google, trabajó como profesor de investigación.

David Pitman es ingeniero de plantilla que trabaja en Google Cloud en la plataforma de IA, donde dirige el equipo de IA explicable. También es coorganizador de PuPPy, el mayor grupo de Python del noroeste del Pacífico. David es Ingeniero Superior y Licenciado en Informática, con especialización en IA e interacción persona-ordenador, por el MIT, donde anteriormente fue investigador científico.