Mittwoch, 31 March 2027
12:45 | Join in |
13:00 | Willkommen, Motivation & Einführung |
13:15 | Rückblick: Explainable AI (XAI) für Anomalieerkennung und zeitabhängige Daten |
– globale vs. lokale Erklärungen | |
– modellagnostische vs. modellspezifische Methoden | |
– Modellbegründung | |
– Besonderheiten bei Zeitreihen (zeitliche Abhängigkeit, Feature Engineering) | |
13:30 | Angeleitete durchgängige XAI-Übung zu Transaktionsdaten (Credit Card Fraud) |
– explorative Datenanalyse | |
– Verständnis der Dateneigenschaften (Klassenungleichgewicht, anonymisierte Merkmale) | |
– Anomalieerkennung / Klassifikationsmodellierung | |
– Erklärmethoden (Feature Importance, SHAP) | |
Hands-on-Lab: Training eines schlanken Modells und Interpretation von Betrugsvorhersagen | |
14:15 | Pause |
14:30 | Angeleitete durchgängige XAI-Übung zu Zeitreihendaten (NYC Taxi) |
– Zeitreihenexploration (Trend, Saisonalität, Anomalien) | |
– Modellierung (Baseline + Anomalieerkennung über Residuen / Orion-Referenz) | |
– Erklärmethoden für zeitliche Daten (Lag-Features, Residuenanalyse, SHAP) | |
Hands-on-Lab: Anomalien in Zeitreihen erkennen und erklären | |
15:15 | Pause |
15:45 | Vergleich, Grenzen & Diskussion |
– Übertragbarkeit von XAI-Methoden auf verschiedene Datentypen | |
– Grenzen von Erklärungen (Daten, Merkmale, Modelle) | |
– Interpretation von Anomalien vs. Modellverhalten | |
– Grenzen der Erklärbarkeit | |
Interaktive Session: Brainstorming und Diskussion zu Vertrauen, Nutzbarkeit und offenen Herausforderungen | |
17:00 | Ende |