在其初期階段，人工智能可能已經(jīng)能夠滿足于新鮮事物的桂冠。機(jī)器學(xué)習(xí)可以慢慢學(xué)習(xí)并保持一個(gè)不透明的過(guò)程，在這個(gè)過(guò)程中，人工智能的計(jì)算對(duì)于普通消費(fèi)者來(lái)說(shuō)是不可能滲透的。這正在改變。隨著醫(yī)療保健、金融和刑事司法系統(tǒng)等越來(lái)越多的行業(yè)開(kāi)始以對(duì)人們生活產(chǎn)生真正影響的方式利用人工智能，越來(lái)越多的人想知道算法是如何使用的，數(shù)據(jù)是如何獲取的，以及只是它的能力有多準(zhǔn)確。如果公司想保持在市場(chǎng)創(chuàng)新的最前沿，他們需要依靠受眾信任的人工智能。人工智能的可解釋性是加深這種關(guān)系的關(guān)鍵因素。

AI 的可解釋性不同于標(biāo)準(zhǔn)的 AI 程序，因?yàn)樗鼮槿藗兲峁┝艘环N理解機(jī)器學(xué)習(xí)算法如何創(chuàng)建輸出的方法?？山忉尩娜斯ぶ悄苁且粋€(gè)可以為人們提供潛在結(jié)果和缺點(diǎn)的系統(tǒng)。這是一個(gè)機(jī)器學(xué)習(xí)系統(tǒng)，可以滿足人類對(duì)公平、問(wèn)責(zé)制和尊重隱私的渴望。可解釋的人工智能對(duì)于企業(yè)與消費(fèi)者建立信任至關(guān)重要。

在 AI 不斷擴(kuò)展的同時(shí)，AI 供應(yīng)商需要明白黑匣子做不到。黑盒模型是直接根據(jù)數(shù)據(jù)創(chuàng)建的，通常即使是創(chuàng)建算法的開(kāi)發(fā)人員也無(wú)法確定是什么驅(qū)動(dòng)了機(jī)器的學(xué)習(xí)習(xí)慣。但是盡職盡責(zé)的消費(fèi)者不想?yún)⑴c如此難以理解以至于無(wú)法追究責(zé)任的事情。人們想知道 AI 算法如何在沒(méi)有輸入源和受控輸出之謎的情況下得出特定結(jié)果，尤其是當(dāng) AI 的錯(cuò)誤計(jì)算通常是由于機(jī)器偏差造成的。隨著 AI 變得越來(lái)越先進(jìn)，人們希望訪問(wèn)機(jī)器學(xué)習(xí)過(guò)程以了解算法如何得出其特定結(jié)果。每個(gè)行業(yè)的領(lǐng)導(dǎo)者都必須明白，遲早，

語(yǔ)音助手、轉(zhuǎn)錄技術(shù)和其他將人類語(yǔ)音轉(zhuǎn)換為文本的服務(wù)等 ASR 系統(tǒng)尤其容易受到偏見(jiàn)的困擾.當(dāng)服務(wù)用于安全措施時(shí)，由于口音、年齡或背景而導(dǎo)致的錯(cuò)誤可能是嚴(yán)重的錯(cuò)誤，因此必須認(rèn)真對(duì)待這個(gè)問(wèn)題。例如，ASR 可以有效地用于警察隨身攝像頭，以自動(dòng)記錄和轉(zhuǎn)錄互動(dòng)——保留一份記錄，如果轉(zhuǎn)錄準(zhǔn)確，可以挽救生命?？山忉屝缘膶?shí)踐將要求 AI 不僅依賴于購(gòu)買(mǎi)的數(shù)據(jù)集，而且還試圖了解可能導(dǎo)致錯(cuò)誤（如果存在）的傳入音頻的特征。聲學(xué)概況是什么？背景有噪音嗎？說(shuō)話者是來(lái)自非英語(yǔ)國(guó)家還是來(lái)自使用 AI 尚未學(xué)習(xí)的詞匯的一代人？機(jī)器學(xué)習(xí)需要積極主動(dòng)地更快地學(xué)習(xí)，它可以從收集可以解決這些變量的數(shù)據(jù)開(kāi)始。

必要性越來(lái)越明顯，但實(shí)施這種方法的途徑并不總是有一個(gè)簡(jiǎn)單的解決方案。該問(wèn)題的傳統(tǒng)解決方案是添加更多數(shù)據(jù)，但需要更復(fù)雜的解決方案，尤其是當(dāng)許多公司使用的購(gòu)買(mǎi)數(shù)據(jù)集存在固有偏差時(shí)。這是因?yàn)閺臍v史上看，很難解釋人工智能做出的特定決定，這是由于端到端模型的復(fù)雜性。然而，我們現(xiàn)在可以，而且我們可以首先詢問(wèn)人們是如何失去對(duì) AI 的信任的。

人工智能不可避免地會(huì)犯錯(cuò)誤。公司需要構(gòu)建能夠意識(shí)到潛在缺陷的模型，確定問(wèn)題發(fā)生的時(shí)間和地點(diǎn)，并創(chuàng)建持續(xù)的解決方案以構(gòu)建更強(qiáng)大的 AI 模型：

當(dāng)出現(xiàn)問(wèn)題時(shí)，開(kāi)發(fā)人員將需要解釋發(fā)生的事情并立即制定改進(jìn)模型的計(jì)劃以減少未來(lái)類似的錯(cuò)誤。

為了讓機(jī)器真正知道它是對(duì)還是錯(cuò)，科學(xué)家們需要創(chuàng)建一個(gè)反饋回路，這樣人工智能才能了解它的缺點(diǎn)并進(jìn)化。

ASR 在 AI 仍在改進(jìn)的同時(shí)建立信任的另一種方法是創(chuàng)建一個(gè)可以提供信心分?jǐn)?shù)的系統(tǒng)，并提供 AI 信心不足的原因。例如，公司通常會(huì)生成從 0 到 100 的分?jǐn)?shù)，以反映他們自己的 AI 的缺陷并與客戶建立透明度。將來(lái)，系統(tǒng)可能會(huì)通過(guò)提供更多關(guān)于音頻的元數(shù)據(jù)（例如感知到的噪音水平或難以理解的口音）來(lái)對(duì)音頻具有挑戰(zhàn)性的原因提供事后解釋。

更高的透明度將使人類更好地監(jiān)督人工智能的訓(xùn)練和表現(xiàn)。我們對(duì)需要改進(jìn)的地方越開(kāi)放，我們就越有責(zé)任對(duì)這些改進(jìn)采取行動(dòng)。例如，研究人員可能想知道為什么輸出了錯(cuò)誤的文本，以便他們可以緩解這個(gè)問(wèn)題，而轉(zhuǎn)錄員可能想要有關(guān) ASR 為何誤解輸入的證據(jù)，以幫助他們?cè)u(píng)估其有效性。讓人類參與進(jìn)來(lái)可以緩解人工智能不受控制時(shí)出現(xiàn)的一些最明顯的問(wèn)題。它還可以加快 AI 實(shí)時(shí)捕捉錯(cuò)誤、改進(jìn)并最終糾正自身所需的時(shí)間。

人工智能有能力改善人們的生活，但前提是人類能夠正確地生產(chǎn)它。我們不僅要讓這些系統(tǒng)負(fù)責(zé)，還要讓創(chuàng)新背后的人負(fù)責(zé)。預(yù)計(jì)未來(lái)的人工智能系統(tǒng)將遵守人們制定的原則，只有到那時(shí)，我們才會(huì)擁有人們信任的系統(tǒng)。現(xiàn)在是時(shí)候奠定基礎(chǔ)并為這些原則而奮斗，而最終仍然是人類為自己服務(wù)。