Erklärbare KI (XAI) – Schulung für Unternehmen
Leistungsstarke ML-Modelle liefern gute Vorhersagen, aber selten eine Begründung. Spätestens wenn Fachabteilung, Management, Kunden oder Prüfer fragen, warum das Modell so entschieden hat, braucht es belastbare Antworten. In dieser zweitägigen Schulung lernen die Teilnehmenden, das Verhalten von ML-Modellen nachvollziehbar zu machen und die Ergebnisse richtig zu deuten.
Für wen die Schulung gedacht ist
-
Data Scientists und ML-Entwickler, die eigene Modelle erklären müssen
-
Analystinnen und Analysten, die Modellergebnisse in Fachabteilungen vertreten
-
Teams in Risikomanagement, Qualitätssicherung oder Compliance mit technischem Hintergrund
Inhalte
-
Warum Modelle erklären: Black-Box-Modelle, Vertrauen und Nachvollziehbarkeit
-
Globale Verfahren: Feature Importance und Partial Dependence Plots zeigen, welche Einflussgrößen ein Modell insgesamt nutzt
-
Lokale Verfahren: Shapley Values und Counterfactual Explanations begründen einzelne Vorhersagen
-
Grenzen und Fallstricke: wann Erklärungen täuschen, etwa bei korrelierten Merkmalen, und wie man Fehlinterpretationen vermeidet
-
Ergebnisse vermitteln: Erklärungen verständlich für Fachabteilung, Management oder Kunden aufbereiten
Alle Verfahren werden praktisch in R oder Python angewendet.
Was die Teilnehmenden danach können
-
passende Erklärverfahren für ihre Fragestellung auswählen
-
globale und lokale Erklärungen selbst berechnen und richtig interpretieren
-
typische Fehlinterpretationen erkennen und vermeiden
-
Ergebnisse so präsentieren, dass auch Nicht-Fachleute sie verstehen
Warum bei uns
Fiona K. Meinzer promoviert am Institut für Statistik der LMU München zu erklärbarer KI, vor allem zu Feature-Importance-Methoden. Sie ist Mitautorin des Leitfadens „A Guide to Feature Importance Methods for Scientific Inference“ (XAI 2024), der Arbeit „CASHomon Sets“ (ECML 2026), die über mehrere Modellklassen und ihre Hyperparameter hinweg die Modelle findet, die fast so gut abschneiden wie das beste, und des R-Pakets xplainfi (The R Journal, 2026), zum Teil unter ihrem Geburtsnamen Ewald veröffentlicht. In der Schulung lernen Sie die Methoden also von jemandem, der sie selbst weiterentwickelt, einschließlich der Stellen, an denen sie an ihre Grenzen kommen.
Rahmen
2 Tage
Dauer: 2 Tage, vor Ort oder online (auf Wunsch in Sessions von 90 Minuten) Sprache: Deutsch oder Englisch Inklusive: Folien, Übungsaufgaben mit Lösungen in R oder Python und Teilnahmebestätigung
Voraussetzungen: ML-Grundlagen (z. B. aus unserem 2-Tages-Kurs) und sicherer Umgang mit R oder Python. Laptop mit R oder Python.
7.800 €
entspricht 650 € pro Person und Tag bei 6 Teilnehmenden
Auch als individueller Workshop
1–5 Tage
Auf Wunsch erklären wir Ihre eigenen Modelle und Daten oder kombinieren XAI mit anderen Themen. In einem Vorgespräch klären wir Ziele, Vorkenntnisse und Umfang. Das individuelle Format bieten wir gesondert an.
Voraussetzungen: je nach Thema, das klären wir im Vorgespräch.