Introduction to Responsible AI in Practice
- Dauer
- Ausführung
- Vor Ort, Online
- Startdatum und Ort
Introduction to Responsible AI in Practice
Bewertung:
Startdaten und Startorte
computer Online: 25. Mai 2026 |
computer Online: 15. Jun 2026 |
placeStuttgart 15. Jun 2026 |
placeZürich 15. Jun 2026 |
computer Online: 26. Jun 2026 |
placeAugsburg 26. Jun 2026 |
placeGraz 26. Jun 2026 |
placeInnsbruck 26. Jun 2026 |
placeMünchen 26. Jun 2026 |
placeNürnberg 26. Jun 2026 |
placePassau 26. Jun 2026 |
placeRegensburg 26. Jun 2026 |
placeSalzburg 26. Jun 2026 |
placeWien 26. Jun 2026 |
placeWürzburg 26. Jun 2026 |
computer Online: 29. Jun 2026 |
placeBerlin 29. Jun 2026 |
placeBremen 29. Jun 2026 |
placeDresden 29. Jun 2026 |
placeErfurt 29. Jun 2026 |
Beschreibung
Modul 1 - KI-Prinzipien und verantwortungsvolle KI
- Die KI-Grundsätze von Google
- Verantwortungsvolle AI-Praktiken
- Allgemeine bewährte Praktiken
- Überblick über Fairness in der KI
- Beispiele für Instrumente zur Untersuchung der Fairness von Datensätzen und Modellen
- Übung: TensorFlow-Datenvalidierung und TensorFlow-Modellanalyse zur Sicherstellung der Fairness verwenden
- Überblick über die Interpretierbarkeit in der KI
- Auswahl der Metrik
- Taxonomie der Erklärbarkeit in ML-Modellen
- Beispiele für Instrumente zur Untersuchung der Interpretierbarkeit
- Übung: Werkzeug zum Erlernen der Interpretierbarkeit von Textzusammenfassungen
Frequently asked questions
Es wurden noch keine FAQ hinterlegt. Falls Sie Fragen haben oder Unterstützung benötigen, kontaktieren Sie unseren Kundenservice. Wir helfen gerne weiter!
Modul 1 - KI-Prinzipien und verantwortungsvolle KI
- Die KI-Grundsätze von Google
- Verantwortungsvolle AI-Praktiken
- Allgemeine bewährte Praktiken
- Überblick über Fairness in der KI
- Beispiele für Instrumente zur Untersuchung der Fairness von Datensätzen und Modellen
- Übung: TensorFlow-Datenvalidierung und TensorFlow-Modellanalyse zur Sicherstellung der Fairness verwenden
- Überblick über die Interpretierbarkeit in der KI
- Auswahl der Metrik
- Taxonomie der Erklärbarkeit in ML-Modellen
- Beispiele für Instrumente zur Untersuchung der Interpretierbarkeit
- Übung: Werkzeug zum Erlernen der Interpretierbarkeit von Textzusammenfassungen
- Überblick in Datenschutz in ML
- Sicherheit der Daten
- Modell Sicherheit
- Sicherheit für generative KI in der Google Cloud
- Überblick über die AI-Sicherheit
- Widersprüchliche Tests
- Sicherheit im Gen AI Studio
- Labor: Verantwortungsvolle KI mit Gen AI Studio
Schreiben Sie eine Bewertung
Haben Sie Erfahrung mit diesem Kurs? Schreiben Sie jetzt eine Bewertung und helfen Sie Anderen dabei die richtige Weiterbildung zu wählen. Als Dankeschön spenden wir € 1,00 an Stiftung Edukans.Es wurden noch keine FAQ hinterlegt. Falls Sie Fragen haben oder Unterstützung benötigen, kontaktieren Sie unseren Kundenservice. Wir helfen gerne weiter!