這些是局部解釋方法，只解釋一個具體的決定，而不是整個模型的決定，考慮到規模，這可能具有挑戰性。
理解人工智能決策對研究人員、決策者和廣大人民來說非常重要。幸運的是，有一些方法可以確保我們了解更多。前沿人工智能公司和學術屆使用的深度學習模型已經變得如此復雜，以至于即使是構建模型的研究人員也難以理解正在做出的決策。
這一點在某錦標賽上得到了最明顯的體現。在這場比賽中，數據科學家和職業圍棋選手經常被人工智能在比賽中的決策所迷惑，因為它做出了非正式的游戲，而這并不被認為是最強的一步。
為了更好地理解他們構建的模型，人工智能研究人員開發了三種主要的解釋方法。這些是局部解釋方法，只解釋一個具體的決定，而不是整個模型的決定，考慮到規模，這可能具有挑戰性。
特征歸因
通過特征歸因，人工智能模型將識別輸入的哪些部分對特定決策是重要的。對于X射線，研究人員可以看到熱圖或模型認為對其決策最重要的單個像素。
使用這種特征歸因解釋，可以檢查是否存在虛假相關性。例如，它會顯示水印中的像素是否被突出顯示，或者實際腫瘤中的像素是否被突出顯示。
反事實解釋
當做出決定時，我們可能會感到困惑，不知道為什么人工智能會做出這樣或那樣的決定。由于人工智能被部署在高風險的環境中，如保險、抵押貸款等，了解人工智能拒絕因素或上訴的原因應該有助于他們在下次申請時獲得批準。
反事實解釋方法的好處是，它確切地告訴你需要如何更改輸入來翻轉決策，這可能具有實際用途。對于那些申請抵押貸款卻沒有得到的人來說，這個解釋會告訴他們需要做些什么來達到他們想要的結果。
樣本重要性
樣本重要性解釋需要訪問模型背后的基礎數據。如果研究人員注意到他們認為是錯誤的，他們可以運行一個樣本重要性解釋，以查看人工智能是否輸入了它無法計算的數據，從而導致判斷錯誤。
網站客服
粵公網安備 44030402000946號