Naucz się wyjaśniać decyzje modeli AI, wykrywać i mierzyć stronniczość algorytmiczną oraz przygotować systemy AI do audytu regulatora. Każda lekcja to 15-20 minut praktycznej wiedzy.
Art. 13 AI Act wymaga transparentności. Czym jest XAI, metody wyjaśnialności (LIME, SHAP, feature importance), jak komunikować decyzje AI różnym odbiorcom (technicy, zarząd, regulatorzy).
Stronniczość algorytmiczna: skąd się bierze, jak ją mierzyć, metryki fairness (demographic parity, equalized odds), narzędzia do audytu bias (Aequitas, Fairlearn, AI Fairness 360).
Jak przygotować system AI do audytu, chain of evidence, immutable audit logs, dokumentacja decyzji, symulacja audytu regulatora.
Wdrażanie XAI i analiza bias w modelach AI.
Przygotowanie i przeprowadzanie audytów systemów AI.
Zapewnienie zgodności z wymogami transparentności.
Ocena ryzyka stronniczości i audytowalności.