Python para una IA Confiable

¡Hola, comunidad de Python en Asturias! 🐍💻

Nos complace anunciar nuestro próximo meetup, un espacio para compartir conocimiento y seguir explorando el potencial de Python.

### 🗓 Fecha y Hora:

7 de febrero de 2025
⏰ De 18:30 h a 20:30 h

### 📍 Lugar:

Aula Biblioteca - Cámara de Comercio de Oviedo
C/ Quintana, 4ª Planta

***

### 📋 Agenda:

Charla principal: Python para una IA Confiable

• Cuando aplicamos inteligencia artificial con modelos de aprendizaje automático supervisado medimos la calidad de las predicciones calculando métricas de rendimiento. Sin embargo, las métricas de rendimiento no nos ofrecen certeza sobre las predicciones del modelo. Puede que haya basado su predicción en correlaciones espurias o casuales o puede que una predicción sea más complicada de realizar que el resto y el modelo no esté muy seguro de su resultado. Si solamente nos fijamos en las métricas de rendimiento, estos problemas puede pasar fácilmente desapercibidos, sobre todo si automatizamos decisiones críticas con un modelo no interpretable por las personas (modelos de caja opaca o ‘black box models’) y aumentar el tamaño del training set no necesariamente los soluciona.
• Podemos cerciorarnos de que esto no nos pasa incorporando a nuestro modelo ya entrenado ciertas herramientas sencillas para que pueda indicarnos cuándo su predicción es fiable y cuándo no. Estas herramientas matemáticas (ya desarrolladas como librerías de Python) explican en qué se fijó el modelo para producir sus predicciones (gracias a métodos de explicabilidad o “XAI”) o nos proveen de probabilidades calibradas y intervalos de predicción que incluyen con certeza el valor verdadero para que el modelo pueda avisarnos cuando no debemos confiar en su predicción (gracias a métodos de cuantificación de incertidumbre o “UQ”). Y todas son herramientas post-hoc (no hay que volver a entrenar el modelo), model-agnóstic (sirven para cualquier modelo y tarea), y muy ligeras (se implementan con pocas líneas de código y se ejecutan muy rápido).
• Todos los materiales de la charla se encuentran en este repositorio: https://github.com/MMdeCastro/Uncertainty_Quantification_XAI y este será el outline:
• Definiremos brevemente cómo funcionan los modelos de aprendizaje automático supervisado que usamos en IA y mostraremos sus limitaciones.
• Presentaremos las herramientas de XAI más populares: SHAP values, LIME, y valores contrafactuales.
• Presentaremos la mejor herramienta de UQ: la Predicción Conforme.
  No os lo perdáis!

Networking y propuestas
¡Hablemos de nuestras ideas y proyectos para fortalecer la comunidad de Python en Asturias!

***

### 🚗 Descuento especial en parking:

Los asistentes podrán disfrutar de un 20% de descuento en el Parking Auditorio (Calle de González Besada 17).
👉 Solo necesitas presentar tu ticket con el sello de la Cámara de Comercio.

***

¡No te pierdas esta oportunidad de aprender, conectar y compartir! 💡👩‍💻👨‍💻