Resultados de aprendizaje

• Explicar por qué la explicabilidad es esencial para la confianza, la equidad y la rendición de cuentas en la IA.
• Describir el problema de la caja negra y sus implicaciones éticas y prácticas.
• Distinguir entre interpretabilidad intrínseca y métodos de explicación post-hoc.
• Identificar técnicas comunes de XAI como LIME, SHAP y explicaciones contrafactuales.
• Comparar las explicaciones globales y locales y sus usos para diferentes partes interesadas.
• Aplicar conceptos de explicabilidad a casos del mundo real en la atención médica, las finanzas y los servicios públicos.
• Evaluar las explicaciones de la IA utilizando criterios de claridad, fidelidad y utilidad.
• Crear explicaciones centradas en el ser humano y adaptadas a diferentes audiencias.