隨著人工智能 (AI) 變得越來越復雜并在社會中被廣泛采用，最關鍵的一組流程和方法是可解釋的 (AI)，有時也稱為 XAI。

可解釋的人工智能可以定義為：

• 一組幫助人類用戶理解和信任機器學習算法結果的過程和方法。

正如您可以猜到的那樣，這種可解釋性非常重要，因為 AI 算法控制了許多部門，這帶來了偏見、錯誤算法和其他問題的風險。通過可解釋性實現(xiàn)透明度，世界可以真正利用人工智能的力量。

顧名思義，可解釋的 AI 有助于描述 AI 模型、其影響和潛在的偏見。它還在 AI 驅動的決策過程中表征模型準確性、公平性、透明度和結果方面發(fā)揮作用。

今天的 AI 驅動型組織應始終采用可解釋的 AI 流程，以幫助在生產(chǎn)中建立對 AI 模型的信任和信心?？山忉尩娜斯ぶ悄芤彩窃诋斀袢斯ぶ悄墉h(huán)境中成為一家負責任的公司的關鍵。

因為今天的人工智能系統(tǒng)非常先進，人類通常會執(zhí)行一個計算過程來追溯算法是如何得出結果的。這個過程變成了一個“黑匣子”，意味著無法理解。當這些無法解釋的模型直接從數(shù)據(jù)中開發(fā)出來時，沒有人能理解其中發(fā)生了什么。

通過了解 AI 系統(tǒng)如何通過可解釋的 AI 運行，開發(fā)人員可以確保系統(tǒng)正常運行。它還可以幫助確保模型符合監(jiān)管標準，并為模型提供挑戰(zhàn)或改變的機會。

AI 和 XAI 之間的差異

一些關鍵差異有助于將“常規(guī)”人工智能與可解釋的人工智能區(qū)分開來，但最重要的是，XAI 實施了特定的技術和方法，有助于確保 ML 過程中的每個決策都是可追溯和可解釋的。相比之下，常規(guī) AI 通常使用 ML 算法得出結果，但無法完全理解算法是如何得出結果的。在常規(guī) AI 的情況下，檢查準確性極其困難，導致失去控制、責任和可審計性。

可解釋人工智能的好處

對于希望采用可解釋 AI 的任何組織而言，都有很多好處，例如：

• 更快的結果：可解釋的人工智能使組織能夠系統(tǒng)地監(jiān)控和管理模型以優(yōu)化業(yè)務成果?？梢猿掷m(xù)評估和改進模型性能并微調模型開發(fā)。
• 降低風險：通過采用可解釋的 AI 流程，您可以確保您的 AI 模型是可解釋和透明的。您可以管理法規(guī)、合規(guī)性、風險和其他要求，同時最大限度地減少手動檢查的開銷。所有這些也有助于降低意外偏見的風險。
• 建立信任：可解釋的人工智能有助于建立對生產(chǎn)人工智能的信任。AI 模型可以快速投入生產(chǎn)，可以確保可解釋性和可解釋性，并且可以簡化模型評估過程并使其更加透明。

可解釋的人工智能技術

有一些 XAI 技術是所有組織都應該考慮的，它們包括三種主要方法：預測準確性、可追溯性和決策理解。

三種方法中的第一種，預測準確性，對于在日常操作中成功使用 AI 至關重要?？梢赃M行模擬，并且可以將 XAI 輸出與訓練數(shù)據(jù)集中的結果進行比較，這有助于確定預測的準確性。實現(xiàn)這一目標的一種更流行的技術稱為本地可解釋模型無關解釋 (LIME)，這是一種通過機器學習算法解釋分類器預測的技術。

第二種方法是可追溯性，這是通過限制如何做出決策以及為機器學習規(guī)則和特征建立更窄的范圍來實現(xiàn)的。最常見的可追溯性技術之一是 DeepLIFT，即深度學習重要特征。DeepLIFT 將每個神經(jīng)元的激活與其參考神經(jīng)元進行比較，同時展示每個激活的神經(jīng)元之間的可追溯鏈接。它還顯示了它們之間的依賴關系。

第三種也是最后一種方法是決策理解，它以人為中心，與其他兩種方法不同。決策理解涉及教育組織，特別是與 AI 合作的團隊，使他們能夠理解 AI 如何以及為何做出決策。這種方法對于建立對系統(tǒng)的信任至關重要。

可解釋的人工智能原則

為了更好地理解 XAI 及其原理，隸屬于美國商務部的美國國家標準研究院 (NIST) 提供了可解釋 AI 的四項原則的定義：

1. 人工智能系統(tǒng)應該為每個輸出提供證據(jù)、支持或推理。
2. 人工智能系統(tǒng)應該給出用戶可以理解的解釋。
3. 解釋應該準確地反映系統(tǒng)用于達到其輸出的過程。
4. 人工智能系統(tǒng)應該只在它設計的條件下運行，當它對結果缺乏足夠的信心時，它不應該提供輸出。

這些原則可以進一步組織成：

• 有意義：為了實現(xiàn)有意義的原則，用戶應該理解所提供的解釋。這也可能意味著，在不同類型的用戶使用 AI 算法的情況下，可能會有多種解釋。例如，在自動駕駛汽車的情況下，一種解釋可能是這樣的……“人工智能將路上的塑料袋歸類為巖石，因此采取了措施避免撞到它。”雖然此示例適用于驅動程序，但對于希望糾正問題的 AI 開發(fā)人員來說并不是很有用。在這種情況下，開發(fā)人員必須了解為什么會出現(xiàn)錯誤分類。
• 解釋準確度：與輸出準確度不同，解釋準確度涉及 AI 算法準確解釋它是如何達到其輸出的。例如，如果貸款批準算法根據(jù)申請的收入來解釋決定，而實際上它是根據(jù)申請人的居住地，那么解釋將是不準確的。
• 知識限制：人工智能的知識限制可以通過兩種方式達到，它涉及到系統(tǒng)專業(yè)知識之外的輸入。例如，如果構建了一個對鳥類進行分類的系統(tǒng)，并給它一張?zhí)O果的圖片，它應該能夠解釋輸入不是鳥。如果系統(tǒng)得到一張模糊的圖片，它應該能夠報告它無法識別圖像中的鳥，或者它的識別具有非常低的置信度。

數(shù)據(jù)在可解釋人工智能中的作用

可解釋人工智能最重要的組成部分之一是數(shù)據(jù)。

根據(jù)谷歌的說法，關于數(shù)據(jù)和可解釋的人工智能，“人工智能系統(tǒng)最好通過底層的訓練數(shù)據(jù)和訓練過程以及由此產(chǎn)生的人工智能模型來理解。”這種理解依賴于將經(jīng)過訓練的 AI 模型映射到用于訓練它的確切數(shù)據(jù)集的能力，以及仔細檢查數(shù)據(jù)的能力。

為了增強模型的可解釋性，重要的是要注意訓練數(shù)據(jù)。團隊應確定用于訓練算法的數(shù)據(jù)的來源、獲取數(shù)據(jù)的合法性和道德規(guī)范、數(shù)據(jù)中的任何潛在偏見，以及可以采取哪些措施來減輕任何偏見。

數(shù)據(jù)和 XAI 的另一個關鍵方面是應排除與系統(tǒng)無關的數(shù)據(jù)。為此，不相關的數(shù)據(jù)不得包含在訓練集或輸入數(shù)據(jù)中。

谷歌推薦了一套實踐來實現(xiàn)可解釋性和問責制：

• 規(guī)劃您的選擇以追求可解釋性
• 將可解釋性視為用戶體驗的核心部分
• 設計可解釋的模型
• 選擇指標以反映最終目標和最終任務
• 了解訓練好的模型
• 向模型用戶傳達解釋
• 進行大量測試以確保 AI 系統(tǒng)按預期工作

通過遵循這些推薦的做法，您的組織可以確保實現(xiàn)可解釋的 AI，這對于當今環(huán)境中任何 AI 驅動的組織來說都是關鍵。