L'intelligenza artificiale spiegabile (XAI) con Python: Interpretare, visualizzare, spiegare e integrare l'IA affidabile per applicazioni IA corrette, sicure e affidabili

Recensioni dei lettori

Il libro è un'introduzione completa all'Explainable AI (XAI) che copre una serie di argomenti, strumenti e tecniche per migliorare l'interpretabilità dei modelli di apprendimento automatico, in particolare per i professionisti che utilizzano Python. Il testo affronta la necessità di comprendere gli algoritmi black-box nelle applicazioni di IA ed esplora le considerazioni etiche nell'IA. Tuttavia, alcuni lettori hanno riscontrato una mancanza di profondità per quanto riguarda le tecniche avanzate e i dettagli di implementazione.

⬤ Introduzione completa a XAI con particolare attenzione alle applicazioni pratiche e agli strumenti.
⬤ Copre una varietà di tecniche di interpretazione ed esempi reali.
⬤ Fornisce riassunti, domande e riferimenti alla fine di ogni capitolo per una migliore comprensione.
⬤ Tratta le considerazioni etiche e i quadri giuridici relativi all'IA.
⬤ Buona organizzazione e flusso di informazioni, che rendono accessibili argomenti complessi.

⬤ Manca di approfondimento sulle tecniche avanzate in alcune aree, con conseguente delusione per chi cerca approfondimenti più sofisticati.
⬤ Alcuni lettori criticano l'organizzazione generale e il flusso del libro.
⬤ Alcuni hanno ritenuto che non fosse abbastanza coinvolgente o emozionante e hanno pensato di restituirlo.

(basato su 12 recensioni dei lettori)

Titolo originale:

Hands-On Explainable AI (XAI) with Python: Interpret, visualize, explain, and integrate reliable AI for fair, secure, and trustworthy AI apps

Contenuto del libro:

Risolvere i modelli della scatola nera nelle applicazioni di IA per renderle corrette, affidabili e sicure. Familiarizzate con i principi e gli strumenti di base per implementare l'IA spiegabile (XAI) nelle vostre applicazioni e interfacce di reporting.

Caratteristiche principali

⬤ Apprendere gli strumenti e le tecniche di IA spiegabile per elaborare risultati di IA affidabili.

⬤ Capire come individuare, gestire ed evitare i problemi più comuni legati all'etica e ai pregiudizi dell'IA.

⬤ Integrare l'IA equa nelle applicazioni e negli strumenti di reporting più diffusi per fornire valore al business utilizzando Python e gli strumenti associati.

Descrizione del libro

Tradurre efficacemente le intuizioni dell'IA agli stakeholder aziendali richiede un'attenta pianificazione, progettazione e scelte di visualizzazione. La descrizione del problema, del modello e delle relazioni tra le variabili e i risultati sono spesso sottili, sorprendenti e tecnicamente complessi.

Hands-On Explainable AI (XAI) with Python vi farà lavorare con progetti specifici di apprendimento automatico in Python, organizzati strategicamente per migliorare la vostra comprensione dell'analisi dei risultati dell'IA. Costruirete modelli, interpreterete i risultati con visualizzazioni e integrerete strumenti di reporting XAI e applicazioni diverse.

Costruirete soluzioni XAI in Python, TensorFlow 2, la piattaforma XAI di Google Cloud, Google Colaboratory e altri framework per aprire la scatola nera dei modelli di apprendimento automatico. Il libro vi introdurrà a diversi strumenti XAI open-source per Python che possono essere utilizzati durante l'intero ciclo di vita del progetto di apprendimento automatico.

Imparerete a esplorare i risultati dei modelli di apprendimento automatico, a esaminare le variabili chiave che li influenzano e le relazioni tra le variabili, a rilevare e gestire i problemi di bias e di etica e a integrare le previsioni utilizzando Python, oltre a supportare la visualizzazione dei modelli di apprendimento automatico in interfacce spiegabili dall'utente.

Alla fine di questo libro sull'intelligenza artificiale, avrete una comprensione approfondita dei concetti fondamentali di XAI.

Che cosa imparerete?

⬤ Pianificare XAI attraverso le diverse fasi del ciclo di vita dell'apprendimento automatico.

⬤ Stimare i punti di forza e di debolezza delle applicazioni XAI open-source più diffuse.

⬤ Esaminare come rilevare e gestire i problemi di distorsione nei dati di apprendimento automatico.

⬤ Rivedere le considerazioni sull'etica e gli strumenti per affrontare i problemi più comuni nei dati di apprendimento automatico.

⬤ Condividere le migliori pratiche di progettazione e visualizzazione XAI.

⬤ Integrare i risultati dell'IA spiegabili utilizzando modelli Python.

⬤ Utilizzare i toolkit XAI per Python nei cicli di vita dell'apprendimento automatico per risolvere i problemi aziendali.

A chi è rivolto questo libro

Questo libro non è un'introduzione alla programmazione Python o ai concetti di apprendimento automatico. Per trarre il massimo beneficio da questo libro è necessario avere una conoscenza e/o un'esperienza di base con le librerie di machine learning come scikit-learn.

Alcuni dei potenziali lettori di questo libro sono:

⬤ Professionisti che già utilizzano Python per la scienza dei dati, l'apprendimento automatico, la ricerca e l'analisi.

⬤ Analisti di dati e scienziati di dati che desiderano un'introduzione agli strumenti e alle tecniche di IA spiegabili.

⬤ I project manager dell'IA che devono affrontare gli obblighi contrattuali e legali della spiegabilità dell'IA per la fase di accettazione delle loro applicazioni.