IA explicable (XAI)
Construir sistemas de IA éticos y transparentes
Lo que serás capaz de hacer
En una era en la que la Inteligencia artificial (IA) está transformando rápidamente ámbitos de alto riesgo como la sanidad, las finanzas y la justicia penal, la capacidad de desarrollar sistemas de IA que no solo sean precisos, sino también transparentes y fiables, es fundamental. La especialización en IA explicable (XAI) está diseñada para dotar a los profesionales de la IA, los científicos de datos, los ingenieros de aprendizaje automático y los gestores de productos de los conocimientos y habilidades necesarios para crear soluciones de IA que cumplan los más altos estándares de la IA ética y responsable. Impartido por la Dra. Brinnae Bent, experta en tender puentes entre la investigación y la industria en el aprendizaje automático, esta serie de cursos aprovecha su amplia experiencia liderando proyectos y desarrollando algoritmos impactantes para algunas de las mayores empresas del mundo. El trabajo de la Dra. Bent, que va desde ayudar a las personas a caminar hasta la monitorización no invasiva de la glucosa, subraya las aplicaciones significativas de la IA en escenarios del mundo real. A lo largo de esta serie, los alumnos explorarán temas clave como los conceptos de IA explicable (XAI), el aprendizaje automático interpretable y las técnicas avanzadas de explicabilidad para modelos de lenguaje grandes (LLM) y modelos generativos de visión por ordenador. Los laboratorios prácticos de programación, en los que se utiliza Python para implementar técnicas de explicabilidad local y global, y los Estudios de caso ofrecen un aprendizaje práctico. Esta serie es ideal para profesionales con un conocimiento básico a intermedio de conceptos de aprendizaje automático como el aprendizaje supervisado y las redes neuronales.
- Aplicar enfoques XAI para mejorar la transparencia, la confianza, la solidez y la ética en los procesos de toma de decisiones.
- Construya modelos interpretables en Python, incluidos árboles de decisión, modelos de regresión y redes neuronales.
- Aplique técnicas avanzadas como LIME, SHAP, y explore la explicabilidad de los LLM y los modelos de visión por ordenador.
Temario
UNIDAD 1 - IA responsable · 17 leccionesDesarrollo de IA explicable (XAI) - UNIDAD 1 - IA responsable
Desarrollo de IA explicable (XAI) - UNIDAD 1 - IA responsable
- Resumen del curso
- Conozca a su instructora: Dra. Brinnae Bent
- Nota del Dr. Bent
- Informar de un problema con el curso
- La caja negra: Motivación para la XAI
- Visualización de la Red neuronal
- Una buena decisión
- Definición de interpretabilidad, explicabilidad y transparencia
- Intereses y aspiraciones en materia de XAI (opcional)
- IA responsable
- Sesgo algorítmico
- Joy Buolamwini: Cómo lucho contra los prejuicios en los algoritmos
- Herramienta Word2Vec para explorar el sesgo de género
- Reflexión sobre la exploración de los sesgos (opcional)
- Máquina moral
- Reflexión sobre la «máquina moral» (Opcional)
- Cuestionario sobre IA responsable
UNIDAD 2 - Visión general de la IA explicable · 16 leccionesDesarrollo de IA explicable (XAI) - UNIDAD 2 - Visión general de la IA explicable
Desarrollo de IA explicable (XAI) - UNIDAD 2 - Visión general de la IA explicable
- Retos y compensaciones de la XAI
- Deje de explicar los modelos de Aprendizaje automático de caja negra
- Reflexión sobre «Dejad de explicar los modelos de aprendizaje automático de caja negra» (opcional)
- ML interpretable
- Técnicas de explicación
- Red neuronal profunda Explicaciones
- Cuestionario práctico sobre técnicas y enfoques de la XAI
- Explicación de la IA generativa
- Retos de la XAI en LLM
- XAI en LLM Puesta a punto
- XAI en LLM Prompting
- XAI en el aumento del conocimiento (RAG)
- Proyecto TensorFlow Embedding Projector
- Conclusiones sobre la integración de visualizaciones (opcional)
- Tendencias emergentes, retos pendientes y consideraciones a tener en cuenta
- Cuestionario sobre IA explicable
UNIDAD 3 - Desarrollo de sistemas XAI · 21 leccionesDesarrollo de IA explicable (XAI) - UNIDAD 3 - Desarrollo de sistemas XAI
Desarrollo de IA explicable (XAI) - UNIDAD 3 - Desarrollo de sistemas XAI
- Interacción persona-IA
- Consideraciones sobre UX y buenas prácticas
- Conferencia invitada - IA+UX [Ryan Bolick, Jefe de Producto de Driver]
- Integración de la XAI en el proceso de toma de decisiones
- Estudio de caso guiado (toma de decisiones)
- Estudio de caso guiado (toma de decisiones): reflexión (opcional)
- Importancia e introducción a la evaluación XAI
- Evaluación humana
- Evaluación funcional
- Tareas por delegación, equidad, evaluación de la especialización
- Evaluación de sistemas XAI Cuestionario práctico
- Evaluación de la XAI en el ámbito sanitario (opcional)
- Introducción a la seguridad y robustez de la XAI
- Entrenamiento robusto del modelo
- Privacidad y protección de los datos
- Auditabilidad y supervisión continua
- Estudios de caso guiados
- Cuestionario guiado sobre casos de éxito
- Lista de lecturas del Dr. Bent sobre IA responsable
- Cuestionario sobre el desarrollo de sistemas XAI
- Comparta su experiencia de aprendizaje
UNIDAD 4 - Regresión y modelos generalizados · 16 leccionesAprendizaje automático interpretable - UNIDAD 4 - Regresión y modelos generalizados
Aprendizaje automático interpretable - UNIDAD 4 - Regresión y modelos generalizados
- Resumen del curso
- Conozca a su instructora: Dra. Brinnae Bent
- Nota del Dr. Bent
- Informar de un problema con el curso
- Introducción al ML interpretable
- Aprendizaje automático interpretable: Principios fundamentales y 10 grandes retos
- Principios del aprendizaje automático interpretable (optativo)
- Regresión lineal
- Regresión logística
- Regresión en Python
- Modelos lineales generalizados
- Modelos aditivos generalizados
- Herramienta de visualización de splines
- GLM y GAM en Python
- Ejercicio de programación de regresión y modelos generalizados
- Cuestionario sobre regresión y modelos generalizados
UNIDAD 5 - Reglas, árboles y redes neuronales · 15 leccionesAprendizaje automático interpretable - UNIDAD 5 - Reglas, árboles y redes neuronales
Aprendizaje automático interpretable - UNIDAD 5 - Reglas, árboles y redes neuronales
- Árboles de decisión
- Árboles de decisiones dispersos
- Árboles de decisiones en Python
- Árboles de decisión: ¿esparsos o no? (Opcional)
- Normas de decisión
- RuleFit
- RuleFit en Python
- Interpretabilidad de las redes neuronales
- Redes neuronales basadas en prototipos (ProtoPNet)
- Redes neuronales monótonas (MonoNet)
- Redes de Kolmogorov-Arnold
- KAN en Python
- Reflexión sobre las redes neuronales interpretables (opcional)
- Reglas, árboles y redes neuronales Ejercicio de programación
- Cuestionario sobre reglas, árboles y redes neuronales
UNIDAD 6 - Introducción a la interpretabilidad mecanicista · 16 leccionesAprendizaje automático interpretable - UNIDAD 6 - Introducción a la interpretabilidad mecanicista
Aprendizaje automático interpretable - UNIDAD 6 - Introducción a la interpretabilidad mecanicista
- Introducción a la interpretabilidad mecanicista
- Conceptos de interpretabilidad mecanicista
- Demostración de código de la biblioteca TransformerLens de interpretabilidad mecanicista
- Interpretabilidad mecanicista Biblioteca TransformerLens
- Reflejo de la lente del transformador (opcional)
- Introducción a los circuitos
- Acércate: Introducción a los circuitos
- La hipótesis de la superposición
- Modelos de juguete de la superposición
- Preguntas abiertas (opcional)
- Aprendizaje de representaciones de interpretabilidad mecanicista
- Escalar la interpretabilidad mecanicista a los LLM
- Visualización de un modelo de lenguaje grande (opcional)
- Guía de recursos sobre interpretabilidad mecanística
- Cuestionario sobre interpretabilidad mecanicista
- Comparta su experiencia de aprendizaje
UNIDAD 7 - Explicabilidad agnóstica de los modelos · 31 leccionesAprendizaje automático explicable (XAI) - UNIDAD 7 - Explicabilidad agnóstica de los modelos
Aprendizaje automático explicable (XAI) - UNIDAD 7 - Explicabilidad agnóstica de los modelos
- Resumen del curso
- Conozca a su instructora: Dra. Brinnae Bent
- Nota del Dr. Bent
- Informar de un problema con el curso
- La caja negra: Motivación para la XAI
- Visualización de la Red neuronal
- Una buena decisión
- Definición de interpretabilidad, explicabilidad y transparencia
- Intereses y aspiraciones en materia de XAI (opcional)
- Introducción a las explicaciones locales
- CAL
- Anclajes
- Valores Shapley
- SHAP
- Gráficos de expectativas condicionales individuales (ICE)
- Explicaciones locales en Python
- Introducción a las explicaciones globales
- Descomposición funcional
- Interacción de funciones
- Permutación Importancia de la característica
- Gráficos de dependencia parcial
- Parcelas de efectos locales acumulados (ALE)
- Explicaciones globales en Python
- Introducción a las explicaciones basadas en ejemplos
- Explicaciones basadas en prototipos
- Explicaciones contrafácticas
- Escribe tus propios escenarios contrafactuales (opcional)
- Instancias influyentes
- Explicaciones contrafácticas en Python
- Ejercicio de programación de la explicabilidad agnóstica del modelo
- Prueba de programación de explicabilidad agnóstica por modelos
UNIDAD 8 - Aprendizaje profundo explicable · 18 leccionesAprendizaje automático explicable (XAI) - UNIDAD 8 - Aprendizaje profundo explicable
Aprendizaje automático explicable (XAI) - UNIDAD 8 - Aprendizaje profundo explicable
- Revisión de las redes neuronales
- Visualización de características
- Atribución de funciones
- Documento interactivo de visualización de funciones de Google
- Mapas de saliencia en Python
- Visualización de redes neuronales Cuestionario práctico
- Disección de redes
- Recursos para la disección de redes
- Vectores de activación de conceptos
- Prueba de vectores de activación de conceptos en Python
- Una revisión de la atención
- Visualizar la atención
- Atención Interpretable: El debate
- Métodos salienciales como alternativa
- El elefante en la habitación de la interpretabilidad: ¿Por qué utilizar la atención como explicación cuando disponemos de métodos de saliencia?
- Saliencia frente a atención en la interpretabilidad de la IA (opcional)
- Ejercicio de programación de Aprendizaje profundo explicable
- Cuestionario sobre Aprendizaje profundo explicable
UNIDAD 9 - IA generativa explicable · 16 leccionesAprendizaje automático explicable (XAI) - UNIDAD 9 - IA generativa explicable
Aprendizaje automático explicable (XAI) - UNIDAD 9 - IA generativa explicable
- Retos de la XAI en LLM
- XAI en LLM Puesta a punto
- XAI en LLM Prompting
- XAI en el aumento del conocimiento (RAG)
- Visualice PCA, tSNE, y UMAP usando el Proyector de Incrustación del Proyecto TensorFlow
- Conclusiones sobre la integración de visualizaciones (opcional)
- Visualización del espacio latente multimodal en Python
- XAI en visión por ordenador generativa
- XAI en las GAN
- XAI en modelos de difusión
- Tendencias emergentes en XAI para el aprendizaje automático generativo en visión por ordenador (opcional)
- Explore GANPaint, una aplicación de disección de redes en GANs
- Disección de redes en GAN
- Disección de redes en GAN
- Cuestionario sobre IA generativa explicable
- Comparta su experiencia de aprendizaje
Tu certificado lo emite la SEP, no solo una plataforma
Al demostrar la competencia recibes un certificado emitido por la Secretaría de Educación Pública a través del Gobierno del Estado de México: un documento oficial que puedes presentar con confianza ante cualquier empleador o institución.
Tu certificado con INEC
- Lo emite la Secretaría de Educación Pública (SEP), a través del Gobierno del Estado de México
- Documento oficial con folio verificable en línea
- Lo otorga la Universidad Tecnológica Fidel Velázquez
Otras plataformas en línea
- Constancia privada emitida por la misma plataforma
- Solo acredita horas cursadas o asistencia
- Sin respaldo de una autoridad educativa
Tu itinerario, de la inscripción al certificado
- 1
Inscripción con pago único
Pagas $4,990 MXN una sola vez y entras de inmediato al curso.
- 2
Estudias a tu ritmo
9 unidades con videos, lecturas y actividades, disponibles 24/7 durante 12 meses.
- 3
Cuestionarios por unidad
31 cuestionarios para comprobar lo aprendido.
- 4
Certificado
Emitido por la SEP a través del Gobierno del Estado de México, con folio verificable.
Un certificado oficial de la SEP
Muestra · verificable por folio y QR
- Emitido por la Secretaría de Educación Pública (SEP), a través del Gobierno del Estado de México. No es una constancia privada: es un documento oficial, y ese respaldo marca la diferencia frente a otras plataformas en línea.
- Contenido impartido por Duke University.
- Folio y QR verificables para compartirlo con quien te contrate.
Empieza hoy, a tu ritmo
Un solo pago y acceso inmediato al curso completo durante 12 meses.
- 9 unidades · 166 lecciones · 144 h
- 12 meses de acceso
- 31 cuestionarios de evaluación
- Certificado emitido por la SEP (Gob. del Estado de México) con folio verificable
Sobre tu inscripción
¿Cómo es el pago?
Un solo pago de $4,990 MXN. No hay mensualidades ni cargos recurrentes.
¿Cuánto tiempo tengo acceso?
12 meses desde tu inscripción, 24/7, para avanzar a tu ritmo.
¿Quién imparte el contenido?
El curso es impartido por Duke University; INEC gestiona tu inscripción, evaluación y certificado.
¿Qué pasa cuando vence mi acceso?
Puedes renovar tu cuenta tú mismo desde la plataforma, sin trámites ni esperas.
