Un modelo de ML es una caja negra que es difícil de depurar. Las técnicas tradicionales de rendimiento del modelo de ML proporcionan una pequeña visión de la verdadera precisión del modelo. Además, estas técnicas tienen un punto ciego para encontrar dónde están los errores de modelo o datos. Esto puede conducir a problemas de equidad o sesgo social. Existe una creciente necesidad de transparencia para poder comprender o explicar qué características impulsaron el resultado de un modelo para algunas regulaciones de la industria. Este taller brindará a los participantes aprendizaje práctico sobre cómo usar el panel de IA responsable de Azure Machine Learning para depurar un modelo mediante Análisis de errores, Análisis de datos y Explicabilidad/Interpretabilidad. Al final del taller, los participantes aprenderán los procedimientos recomendados para usar Azure Responsible AI Dashboard para ayudar a los profesionales de ML a producir soluciones de IA que sean menos dañinas y más confiables.