Поясненний штучний інтелект

Матеріал з Вікіпедії — вільної енциклопедії.
Перейти до навігації Перейти до пошуку
Частина з циклу про
Штучний інтелект

Поясненний Штучний Інтелект, або Інтерпретовний Штучний Інтелект, або Зрозуміле Машинне Навчання,[1] — це штучний інтелект (ШІ), в якому результати рішення можуть бути зрозумілі людині. Це контрастує з концепцією «чорного ящика» в машинному навчанні, де навіть його розробники не можуть пояснити, чому ШІ прийшов до конкретного рішення.[2] Удосконалюючи ментальні моделі користувачів систем на базі штучного інтелекту та розбираючи їхні помилкові уявлення, Поясненний ШІ обіцяє допомогти користувачам працювати більш ефективно.[3] Поясненний ШІ може бути реалізацією соціального права на пояснення[en].[4] Поясненний ШІ актуальний, навіть якщо немає юридичних прав або нормативних вимог — наприклад, Поясненний ШІ може покращити користувацьку взаємодію з продуктом або послугою, допомагаючи кінцевим користувачам вірити, що ШІ приймає правильні рішення. Таким чином, мета Поясненного ШІ — пояснити, що було зроблено, що зроблено зараз, що буде зроблено далі, та розкрити інформацію, на якій базуються дії.[5] Ці характеристики дозволяють (i) підтвердити наявні знання (ii) кинути виклик існуючим знанням і (iii) створити нові припущення.[6]

Алгоритми, що використовуються в ШІ, можна розрізнити на алгоритми машинного навчання(МН) білого ящика і чорного ящика. Моделі білого ящика — це моделі машинного навчання, які забезпечують результати, зрозумілі для експертів у даній області. З іншого боку, моделі «чорних ящиків» надзвичайно важко пояснити і навряд чи можуть бути зрозумілі навіть експертам в області.[7] Вважається, що алгоритми Поясненного ШІ дотримуються трьох принципів прозорості, інтерпретації та пояснення. Прозорість надається, «якщо процеси, які витягують параметри моделі з навчальних даних і генерують мітки з даних тестування, можуть бути описані та мотивовані розробником підходу».[8] Інтерпретація описує можливість зрозуміти модель машинного навчання і представити основну основу для прийняття рішень у спосіб, зрозумілий для людей.[9][10][11] Пояснення — це поняття, яке визнається важливим, але спільного визначення поки немає.[8] Припускається, що пояснюваність у машинному навчанні можна розглядати як «набір ознак інтерпретованого домену, які внесли для даного прикладу внесок у прийняття рішення (наприклад, класифікацію чи регресію)».[12] Якщо алгоритми відповідають цим вимогам, вони забезпечують основу для обґрунтування рішень, відстеження та, таким чином, їх перевірки, вдосконалення алгоритмів та дослідження нових фактів.[13]

Іноді також можна досягти результату з високою точністю за допомогою алгоритму машинного навчання з білим ящиком, який сам по собі інтерпретується.[14] Це особливо важливо в таких галузях, як медицина, оборона, фінанси та право, де дуже важливо розуміти рішення та зміцнювати довіру до алгоритмів.[5]

Системи штучного інтелекту оптимізують поведінку, щоб задовольнити математично визначену систему цілей, вибрану розробниками системи, наприклад команду «максимізувати точність оцінки позитивних рецензій на фільми в тестовому наборі даних». ШІ може засвоїти корисні загальні правила з тестового набору, наприклад, «відгуки, що містять слово „жахливий“, імовірно, будуть негативними». Однак він також може засвоїти невідповідні правила, наприклад, «відгуки, що містять» Дніел Дей-Льюїс «, зазвичай позитивні»; такі правила можуть бути небажаними, якщо вважається, що вони не зможуть узагальнити за межами тестового набору, або якщо люди вважають правило «шахрайським» або «несправедливим». Людина може перевіряти правила в Поясненному ШІ, щоб отримати уявлення про те, наскільки ймовірно, що система узагальнить майбутні дані реального світу за межами тестового набору.[15]

Цілі[ред. | ред. код]

Співпраця між агентами, в даному випадку алгоритмами та людьми, залежить від довіри. Якщо люди хочуть прийняти алгоритмічні приписи, вони повинні їм довіряти. Неповнота формалізації критеріїв довіри є перешкодою для прямих підходів до оптимізації. З цієї причини інтерпретація та пояснюваність поставлені як проміжні цілі для перевірки інших критеріїв.[16]

Системи штучного інтелекту іноді вивчають небажані трюки, які оптимально виконують завдання, щоб задовольнити явні заздалегідь запрограмовані цілі на даних навчання, але які не відображають складних неявних бажань розробників людських систем. Наприклад, система 2017 року, якій поставлено завдання розпізнавання зображень, навчилася «шахрайства», шукаючи тег авторського права, який був пов'язаний із зображеннями коней, замість того, щоб дізнатися, чи дійсно кінь зображений.[2] В іншій системі 2017 року штучний інтелект із керованим навчанням, якому було поставлено завдання захоплювати предмети у віртуальному світі, навчився обманювати, розташувавши свій маніпулятор між об'єктом і глядачем таким чином, що здавалося, що він помилково захоплює об'єкт.[17][18]

Один із проектів прозорості, програма DARPA XAI, має на меті створити моделі «скляної коробки», які можна пояснити «людині в петлі», без значної шкоди для роботи ШІ. Користувачі-люди повинні мати можливість розуміти пізнання ШІ (як у реальному часі, так і після факту) і повинні мати можливість визначити, коли довіряти ШІ, а коли — недовіряти.[19] Іншими застосуваннями XAI є вилучення знань із моделей чорного ящика та порівняння моделей.[20] Термін «скляна коробка» також використовувався для інструментів, які відстежують вхідні та вихідні дані системи, з метою перевірки дотримання системи етичним і соціально-правовим цінностям і, отже, створення пояснень на основі цінностей.[21] Крім того, цей самий термін використовувався для назви голосового помічника, який видає контрфактичні заяви як пояснення.[22]

Історія та методи[ред. | ред. код]

Протягом 1970-1990-х років були досліджені символічні системи міркування, такі як MYCIN,[23] GUIDON,[24] SOPHIE,[25] і PROTOS[26][27],

які могли представляти, міркувати та пояснювати свої міркування для діагностики., цілі навчання або машинного навчання (навчання на основі пояснень). MYCIN, розроблений на початку 1970-х років як дослідницький прототип для діагностики бактеріємних інфекцій кровотоку, міг би пояснити[28], які з його закодованих вручну правил сприяли встановленню діагнозу в конкретному випадку. Дослідження інтелектуальних систем репетиторства призвело до розробки таких систем, як SOPHIE, які могли б діяти як «виразний експерт», пояснюючи стратегію вирішення проблем на рівні, зрозумілому студентам, щоб вони знали, які дії слід зробити далі. Наприклад, SOPHIE могла б пояснити якісні міркування, які стоять за її усуненням несправностей в електроніці, навіть незважаючи на те, що вона в кінцевому підсумку покладалася на симулятор схеми SPICE . Аналогічно, GUIDON додав навчальні правила, щоб доповнити правила на рівні домену MYCIN, щоб пояснити стратегію медичної діагностики. Символічні підходи до машинного навчання, особливо ті, що покладаються на навчання на основі пояснень, такі як PROTOS, явно покладалися на уявлення пояснень, як для пояснення своїх дій, так і для отримання нових знань.

З 1980-х до початку 1990-х років були розроблені системи підтримки істини (TMS), щоб розширити можливості причинно-наслідкових, заснованих на правилах і логічних систем висновків.[29] :360–362 TMS діє, щоб чітко відстежувати альтернативні лінії міркувань, обґрунтування висновків і лінії міркувань, які призводять до суперечностей, дозволяючи майбутнім міркуванням уникнути цих тупиків. Щоб надати пояснення, вони відстежують міркування від висновків до припущень за допомогою операцій правил або логічних висновків, що дозволяє генерувати пояснення на основі слідів міркувань. Як приклад розглянемо розв'язувач задач на основі правил із лише кількома правилами про Сократа, який робить висновок, що він помер від отрути: Просто простеживши структуру залежностей, розв'язувач задачі може побудувати таке пояснення: «Сократ помер, тому що він був смертним і випив отруту, і всі смертні вмирають, коли п'ють отруту. Сократ був смертним, тому що він був людиною, а всі люди смертні. Сократ пив отруту, тому що він дотримувався дисидентських переконань, уряд був консервативним, а ті, хто дотримується консервативних дисидентських переконань при консервативних урядах, повинні пити отруту». У 1990-х роках дослідники також почали вивчати, чи можна осмислено витягти не закодовані вручну правила, які генеруються непрозорими навченими нейронними мережами.[30] Дослідники клінічних експертних систем, які створюють підтримку прийняття рішень на основі нейронних мереж для клініцистів, намагалися розробити динамічні пояснення, які дозволять цим технологіям бути більш довіреними та надійними на практиці.[4] У 2010-х роках занепокоєння громадськості з приводу расової та іншої упередженості у використанні штучного інтелекту для ухвалення кримінальних вироків і висновків про кредитоспроможність, можливо, призвели до збільшення попиту на прозорий штучний інтелект.[2] У результаті багато науковців та організацій розробляють інструменти, які допомагають виявляти упередженість у своїх системах.[31]

Марвін Мінський та ін. підняв питання про те, що ШІ може функціонувати як форма спостереження з упередженнями, властивими нагляду, запропонувавши HI (гуманістичний інтелект) як спосіб створити більш справедливий і збалансований ШІ «людина в петлі».[32]

Сучасні складні методи штучного інтелекту, такі як глибоке навчання та генетичні алгоритми, природно непрозорі.[33] Для вирішення цієї проблеми було розроблено багато нових методів, щоб зробити нові моделі більш зрозумілими та інтерпретованими.[34][10][35][36]

Це включає багато методів, таких як Layerwise relevance propagation (LRP), метод визначення того, які ознаки в певному вхідному векторі найбільше сприяють виведенню нейронної мережі.[37][38][39]

Інші методи були розроблені для пояснення одного конкретного прогнозу, зробленого (нелінійною) моделлю чорного ящика, ціль, яку називають «локальною інтерпретацією».[40][41][42][43][44][45]

Варто зазначити, що просто перенесення концепцій локальної інтерпретації у віддалений контекст (де модель чорного ящика виконується третьою стороною) зараз перебуває під прицілом.[46][47]

Крім того, була робота над створенням моделей скляних коробок, які були б більш прозорими для огляду.[48][49]

Це включає дерева рішень,[50] байєсівські мережі, розріджені лінійні моделі[51] тощо.[52] Конференція Асоціації обчислювальної техніки з питань справедливості, підзвітності та прозорості (ACM FAccT) була заснована в 2018 році для вивчення прозорості та зрозумілості в контексті соціально-технічних систем, багато з яких включають штучний інтелект.[53][54]

Деякі методи дозволяють візуалізувати вхідні дані, на які найсильніше реагують окремі програмні нейрони . Декілька груп виявили, що нейрони можуть бути об'єднані в схеми, які виконують зрозумілі людині функції, деякі з яких надійно виникають у різних мережах, які навчаються незалежно.[55][56]

На вищому рівні існують різні методи для вилучення стислих представлень характеристик заданих вхідних даних, які потім можна аналізувати за допомогою стандартних методів кластеризації . Крім того, мережі можна навчити виводити лінгвістичні пояснення своєї поведінки, які потім безпосередньо інтерпретуються людиною.[57] Поведінку моделі також можна пояснити з посиланням на навчальні дані, наприклад, оцінивши, які вхідні дані для навчання найбільше вплинули на дану поведінку.[58]

Регулювання[ред. | ред. код]

Оскільки регуляторні органи, офіційні органи та звичайні користувачі починають залежати від динамічних систем на основі штучного інтелекту, буде потрібна чіткіша підзвітність для автоматизованих процесів прийняття рішень, щоб забезпечити довіру та прозорість. Свідченням того, що ця вимога набирає все більше обертів, можна побачити запуск першої глобальної конференції, виключно присвяченої цій новітній дисципліні, Міжнародної спільної конференції зі штучного інтелекту: семінар з пояснюваного ШІ.[59]

Європейський Союз запровадив право на роз'яснення в Загальному праві на захист даних (GDPR) як спробу вирішити потенційні проблеми, пов'язані зі зростанням важливості алгоритмів. Реалізація розпорядження розпочалася у 2018 році. Однак право на пояснення в GDPR охоплює лише місцевий аспект інтерпретації. У Сполучених Штатах страхові компанії повинні мати можливість пояснити свої рішення щодо тарифів і покриття.[60]

Нещодавні дослідження припускають, що прагнення до пояснення методів ШІ слід вважати другорядною метою для досягнення ефективності ШІ, і що заохочення ексклюзивного розвитку Поясненного ШІ може ширше обмежити функціональність ШІ.[61][62] Критика Поясненного ШІ спирається на розроблені концепції механістичного та емпіричного міркування з доказової медицини, щоб припустити, що технології ШІ можуть бути клінічно підтверджені, навіть якщо їх функції не можуть бути зрозумілі їхніми операторами.[61]

Більше того, системи Поясненного ШІ в першу чергу зосереджені на тому, щоб зробити системи штучного інтелекту зрозумілими для практиків AI, а не для кінцевих користувачів, і їхні результати щодо сприйняття користувачами цих систем були дещо фрагментовані.[63] Деякі дослідники також виступають за використання інтерпретованих моделей машинного навчання, а не використання пост-хос пояснень, коли для пояснення першої створюється друга модель. Почасти це пов'язано з тим, що пост-спеціальні моделі збільшують складність на шляху прийняття рішень, а почасти тому, що часто неясно, наскільки достовірно спеціальне пояснення може імітувати обчислення цілком окремої моделі.[14]

Див. також[ред. | ред. код]

Поясненного ШІ досліджували в багатьох секторах, включаючи:

  • Конструкція антени (удосконалена антена)[64]
  • Алгоритмічна торгівля (високочастотна торгівля)[65]
  • Автоматизоване прийняття рішень
  • Медичні діагнози[66][67][68][69]
  • Автономні транспортні засоби[70][71]
  • Текстова аналітика[72]
  • Кримінальне правосуддя[67][73]

Примітки[ред. | ред. код]

  1. ↑ Janssen, Femke M.; Aben, Katja K. H.; Heesterman, Berdine L.; Voorham, Quirinus J. M.; Seegers, Paul A.; Moncada-Torres, Arturo (February 2022). Using Explainable Machine Learning to Explore the Impact of Synoptic Reporting on Prostate Cancer. Algorithms (англ.). 15 (2): 49. doi:10.3390/a15020049. ISSN 1999-4893.
  2. ↑ а б в Sample, Ian (5 листопада 2017). Computer says no: why making AIs fair, accountable and transparent is crucial. The Guardian (англ.). Процитовано 30 січня 2018.
  3. ↑ Alizadeh, Fatemeh (2021). I Don't Know, Is AI Also Used in Airbags?: An Empirical Study of Folk Concepts and People's Expectations of Current and Future Artificial Intelligence. Icom. doi:10.1515/icom-2021-0009. S2CID 233328352.
  4. ↑ а б Edwards, Lilian; Veale, Michael (2017). Slave to the Algorithm? Why a 'Right to an Explanation' Is Probably Not the Remedy You Are Looking For. Duke Law and Technology Review. 16: 18. SSRN 2972855.
  5. ↑ а б Gunning, D.; Stefik, M.; Choi, J.; Miller, T.; Stumpf, S.; Yang, G.-Z. (18 грудня 2019). XAI-Explainable artificial intelligence. Science Robotics (англ.). 4 (37): eaay7120. doi:10.1126/scirobotics.aay7120. ISSN 2470-9476. PMID 33137719.
  6. ↑ Rieg, Thilo; Frick, Janek; Baumgartl, Hermann; Buettner, Ricardo (17 грудня 2020). Demonstration of the potential of white-box machine learning approaches to gain insights from cardiovascular disease electrocardiograms. PLOS ONE (англ.). 15 (12): e0243615. Bibcode:2020PLoSO..1543615R. doi:10.1371/journal.pone.0243615. ISSN 1932-6203. PMC 7746264. PMID 33332440.
  7. ↑ Loyola-González, O. (2019). Black-Box vs. White-Box: Understanding Their Advantages and Weaknesses From a Practical Point of View. IEEE Access. 7: 154096—154113. doi:10.1109/ACCESS.2019.2949286. ISSN 2169-3536.
  8. ↑ а б Roscher, R.; Bohn, B.; Duarte, M. F.; Garcke, J. (2020). Explainable Machine Learning for Scientific Insights and Discoveries. IEEE Access. 8: 42200—42216. arXiv:1905.08883. doi:10.1109/ACCESS.2020.2976199. ISSN 2169-3536.
  9. ↑ Murdoch, W. James; Singh, Chandan; Kumbier, Karl; Abbasi-Asl, Reza; Yu, Bin (14 січня 2019). Interpretable machine learning: definitions, methods, and applications. Proceedings of the National Academy of Sciences of the United States of America. 116 (44): 22071—22080. arXiv:1901.04592. Bibcode:2019arXiv190104592M. doi:10.1073/pnas.1900654116. PMC 6825274. PMID 31619572.
  10. ↑ а б Lipton, Zachary C. (June 2018). The Mythos of Model Interpretability: In machine learning, the concept of interpretability is both important and slippery. Queue (англ.). 16 (3): 31—57. doi:10.1145/3236386.3241340. ISSN 1542-7730.
  11. ↑ Explainable Artificial Intelligence (XAI): Concepts, Taxonomies, Opportunities and Challenges toward Responsible AI. DeepAI. 22 жовтня 2019. Процитовано 13 січня 2021.
  12. ↑ Montavon, Grégoire; Samek, Wojciech; Müller, Klaus-Robert (1 лютого 2018). Methods for interpreting and understanding deep neural networks. Digital Signal Processing (англ.). 73: 1—15. doi:10.1016/j.dsp.2017.10.011. ISSN 1051-2004.
  13. ↑ Adadi, A.; Berrada, M. (2018). Peeking Inside the Black-Box: A Survey on Explainable Artificial Intelligence (XAI). IEEE Access. 6: 52138—52160. doi:10.1109/ACCESS.2018.2870052. ISSN 2169-3536.
  14. ↑ а б Rudin, Cynthia (2019). Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nature Machine Intelligence (англ.). 1 (5): 206—215. arXiv:1811.10154. doi:10.1038/s42256-019-0048-x. ISSN 2522-5839.
  15. ↑ How AI detectives are cracking open the black box of deep learning. Science (англ.). 5 липня 2017. Процитовано 30 січня 2018..
  16. ↑ Dosilovic, Filip; Brcic, Mario; Hlupic, Nikica (25 травня 2018). Explainable Artificial Intelligence: A Survey (PDF). MIPRO 2018 - 41st International Convention Proceedings. MIPRO 2018. Opatija, Croatia. с. 210—215. doi:10.23919/MIPRO.2018.8400040. ISBN 978-953-233-095-3. Архів оригіналу (PDF) за 10 грудня 2018. Процитовано 9 грудня 2018.
  17. ↑ DeepMind Has Simple Tests That Might Prevent Elon Musk's AI Apocalypse. Bloomberg.com (англ.). 11 грудня 2017. Процитовано 30 січня 2018.
  18. ↑ Learning from Human Preferences. OpenAI Blog. 13 червня 2017. Процитовано 30 січня 2018.
  19. ↑ Explainable Artificial Intelligence (XAI). DARPA. DARPA. Процитовано 17 липня 2017.
  20. ↑ Biecek, Przemyslaw (23 червня 2018). DALEX: explainers for complex predictive models. Journal of Machine Learning Research. 19: 1—5. arXiv:1806.08915. Bibcode:2018arXiv180608915B.
  21. ↑ Aler Tubella, Andrea; Theodorou, Andreas; Dignum, Frank; Dignum, Virginia (2019). Governance by Glass-Box: Implementing Transparent Moral Bounds for AI Behaviour. Proceedings of the Twenty-Eighth International Joint Conference on Artificial Intelligence. California: International Joint Conferences on Artificial Intelligence Organization. с. 5787—5793. doi:10.24963/ijcai.2019/802. ISBN 978-0-9992411-4-1.
  22. ↑ Sokol, Kacper; Flach, Peter (2018). Glass-Box: Explaining AI Decisions With Counterfactual Statements Through Conversation With a Voice-enabled Virtual Assistant. Proceedings of the Twenty-Seventh International Joint Conference on Artificial Intelligence. с. 5868—5870. doi:10.24963/ijcai.2018/865. ISBN 9780999241127.
  23. ↑ Fagan, L. M.; Shortliffe, E. H.; Buchanan, B. G. (1980). Computer-based medical decision making: from MYCIN to VM. Automedica. 3 (2): 97—108.
  24. ↑ Clancey, William (1987). Knowledge-Based Tutoring: The GUIDON Program. Cambridge, Massachusetts: The MIT Press.
  25. ↑ Brown, John S.; Burton, R. R.; De Kleer, Johan (1982). Pedagogical, natural language, and knowledge engineering techniques in SOPHIE I, II, and III. Intelligent Tutoring Systems. Academic Press. ISBN 0-12-648680-8.
  26. ↑ Bareiss, Ray; Porter, Bruce; Weir, Craig; Holte, Robert (1990). Protos: An Exemplar-Based Learning Apprentice. Machine Learning. Т. 3. Morgan Kaufmann Publishers Inc. с. 112—139. ISBN 1-55860-119-8.
  27. ↑ Bareiss, Ray. Exemplar-Based Knowledge Acquisition: A Unified Approach to Concept Representation, Classification, and Learning. Perspectives in Artificial Intelligence.
  28. ↑ Van Lent, M.; Fisher, W.; Mancuso, M. (July 2004). An explainable artificial intelligence system for small-unit tactical behavior. Proceedings of the National Conference on Artificial Intelligence. San Jose, CA: AAAI Press. с. 900—907. ISBN 0262511835.
  29. ↑ Russell, Stuart; Norvig, Peter (2003). Artificial Intelligence: A Modern Approach. Prentice Hall Series in Artificial Intelligence (вид. Second). Upper Saddle River, New Jersey: Prentice Hall, Pearson Education. ISBN 0-13-790395-2.
  30. ↑ Tickle, A. B.; Andrews, R.; Golea, M.; Diederich, J. (November 1998). The truth will come to light: directions and challenges in extracting the knowledge embedded within trained artificial neural networks. IEEE Transactions on Neural Networks. 9 (6): 1057—1068. doi:10.1109/72.728352. ISSN 1045-9227. PMID 18255792.
  31. ↑ Accenture Unveils Tool to Help Companies Insure Their AI Is Fair. Bloomberg.com (англ.). June 2018. Процитовано 5 серпня 2018.
  32. ↑ Minsky, et al., «The Society of Intelligent Veillance» IEEE ISTAS2013, pages 13-17.
  33. ↑ Mukherjee, Siddhartha (27 березня 2017). A.I. Versus M.D. The New Yorker. Процитовано 30 січня 2018.
  34. ↑ Csiszár, Orsolya; Csiszár, Gábor; Dombi, József (8 липня 2020). Interpretable neural networks based on continuous-valued logic and multicriteria decision operators. Knowledge-Based Systems (англ.). 199: 105972. arXiv:1910.02486. doi:10.1016/j.knosys.2020.105972. ISSN 0950-7051.
  35. ↑ Murdoch, W. James; Singh, Chandan; Kumbier, Karl; Abbasi-Asl, Reza; Yu, Bin (14 січня 2019). Interpretable machine learning: definitions, methods, and applications. Proceedings of the National Academy of Sciences of the United States of America. 116 (44): 22071—22080. arXiv:1901.04592. Bibcode:2019arXiv190104592M. doi:10.1073/pnas.1900654116. PMC 6825274. PMID 31619572.
  36. ↑ Dombi, József; Csiszár, Orsolya (2021). Explainable Neural Networks Based on Fuzzy Logic and Multi-criteria Decision Tools. Studies in Fuzziness and Soft Computing (en-gb) . 408. doi:10.1007/978-3-030-72280-7. ISBN 978-3-030-72279-1. ISSN 1434-9922.
  37. ↑ Shiebler, Dan (16 квітня 2017). Understanding Neural Networks with Layerwise Relevance Propagation and Deep Taylor Series. Dan Shiebler. Процитовано 3 листопада 2017.
  38. ↑ Bach, Sebastian; Binder, Alexander; Montavon, Grégoire; Klauschen, Frederick; Müller, Klaus-Robert; Samek, Wojciech (10 липня 2015). Suarez, Oscar Deniz (ред.). On Pixel-Wise Explanations for Non-Linear Classifier Decisions by Layer-Wise Relevance Propagation. PLOS ONE. 10 (7): e0130140. Bibcode:2015PLoSO..1030140B. doi:10.1371/journal.pone.0130140. ISSN 1932-6203. PMC 4498753. PMID 26161953.
  39. ↑ Sample, Ian (5 листопада 2017). Computer says no: why making AIs fair, accountable and transparent is crucial. The Guardian (англ.). Процитовано 5 серпня 2018.
  40. ↑ Martens, David; Provost, Foster (2014). Explaining data-driven document classifications (PDF). MIS Quarterly. 38: 73—99. doi:10.25300/MISQ/2014/38.1.04.
  41. ↑ "Why Should I Trust You?" | Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (EN) . doi:10.1145/2939672.2939778.
  42. ↑ Lundberg, Scott M; Lee, Su-In (2017), Guyon, I.; Luxburg, U. V.; Bengio, S.; Wallach, H. (ред.), A Unified Approach to Interpreting Model Predictions (PDF), Advances in Neural Information Processing Systems 30, Curran Associates, Inc.: 4765—4774, arXiv:1705.07874, Bibcode:2017arXiv170507874L, процитовано 13 березня 2020
  43. ↑ Carter, Brandon; Mueller, Jonas; Jain, Siddhartha; Gifford, David (11 квітня 2019). What made you do this? Understanding black-box decisions with sufficient input subsets. The 22nd International Conference on Artificial Intelligence and Statistics (англ.): 567—576.
  44. ↑ Shrikumar, Avanti; Greenside, Peyton; Kundaje, Anshul (17 липня 2017). Learning Important Features Through Propagating Activation Differences. International Conference on Machine Learning (англ.): 3145—3153.
  45. ↑ Axiomatic attribution for deep networks | Proceedings of the 34th International Conference on Machine Learning — Volume 70. Icml'17 (EN) . 6 серпня 2017: 3319—3328. Процитовано 13 березня 2020.
  46. ↑ Aivodji, Ulrich; Arai, Hiromi; Fortineau, Olivier; Gambs, Sébastien; Hara, Satoshi; Tapp, Alain (24 травня 2019). Fairwashing: the risk of rationalization. International Conference on Machine Learning (англ.). PMLR: 161—170. arXiv:1901.09749.
  47. ↑ Le Merrer, Erwan; Trédan, Gilles (September 2020). Remote explainability faces the bouncer problem. Nature Machine Intelligence (англ.). 2 (9): 529—539. arXiv:1910.01432. doi:10.1038/s42256-020-0216-z. ISSN 2522-5839.
  48. ↑ Rudin, Cynthia (2019). Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nature Machine Intelligence (англ.). 1 (5): 206—215. arXiv:1811.10154. doi:10.1038/s42256-019-0048-x. ISSN 2522-5839.
  49. ↑ Singh, Chandan; Nasseri, Keyan; Tan, Yan Shuo; Tang, Tiffany; Yu, Bin (4 травня 2021). imodels: a python package for fitting interpretable models. Journal of Open Source Software (англ.). 6 (61): 3192. Bibcode:2021JOSS....6.3192S. doi:10.21105/joss.03192. ISSN 2475-9066.
  50. ↑ Vidal, Thibaut; Schiffer, Maximilian (2020). Born-Again Tree Ensembles. International Conference on Machine Learning (англ.). PMLR. 119: 9743—9753. arXiv:2003.11132.
  51. ↑ Ustun, Berk; Rudin, Cynthia (1 березня 2016). Supersparse linear integer models for optimized medical scoring systems. Machine Learning (англ.). 102 (3): 349—391. doi:10.1007/s10994-015-5528-6. ISSN 1573-0565.
  52. ↑ Bostrom, N., & Yudkowsky, E. (2014). The ethics of artificial intelligence. The Cambridge Handbook of Artificial Intelligence, 316—334.
  53. ↑ FAT* Conference.
  54. ↑ Computer programs recognise white men better than black women. The Economist (англ.). 2018. Процитовано 5 серпня 2018.
  55. ↑ Olah, Chris; Cammarata, Nick; Schubert, Ludwig; Goh, Gabriel; Petrov, Michael; Carter, Shan (10 березня 2020). Zoom In: An Introduction to Circuits. Distill (англ.). 5 (3): e00024.001. doi:10.23915/distill.00024.001. ISSN 2476-0757.
  56. ↑ Li, Yixuan; Yosinski, Jason; Clune, Jeff; Lipson, Hod; Hopcroft, John (8 грудня 2015). Convergent Learning: Do different neural networks learn the same representations?. Feature Extraction: Modern Questions and Challenges (англ.). PMLR: 196—212.
  57. ↑ Hendricks, Lisa Anne; Akata, Zeynep; Rohrbach, Marcus; Donahue, Jeff; Schiele, Bernt; Darrell, Trevor (2016). Generating Visual Explanations. Computer Vision – ECCV 2016. Lecture Notes in Computer Science (англ.). Springer International Publishing. 9908: 3—19. arXiv:1603.08507. doi:10.1007/978-3-319-46493-0_1. ISBN 978-3-319-46492-3.
  58. ↑ Koh, Pang Wei; Liang, Percy (17 липня 2017). Understanding Black-box Predictions via Influence Functions. International Conference on Machine Learning (англ.). PMLR: 1885—1894. arXiv:1703.04730.
  59. ↑ IJCAI 2017 Workshop on Explainable Artificial Intelligence (XAI) (PDF). Earthlink. IJCAI. Архів оригіналу (PDF) за 4 April 2019. Процитовано 17 липня 2017.
  60. ↑ Kahn, Jeremy (12 грудня 2018). Artificial Intelligence Has Some Explaining to Do. Bloomberg Businessweek. Процитовано 17 грудня 2018.
  61. ↑ а б McCoy, Liam G.; Brenna, Connor T. A.; Chen, Stacy S.; Vold, Karina; Das, Sunit (5 листопада 2021). Believing in black boxes: machine learning for healthcare does not need explainability to be evidence-based. Journal of Clinical Epidemiology (English) . 142 (Online ahead of print): 252—257. doi:10.1016/j.jclinepi.2021.11.001. ISSN 0895-4356. PMID 34748907.
  62. ↑ Ghassemi, Marzyeh; Oakden-Rayner, Luke; Beam, Andrew L. (1 листопада 2021). The false hope of current approaches to explainable artificial intelligence in health care. The Lancet Digital Health (English) . 3 (11): e745—e750. doi:10.1016/S2589-7500(21)00208-9. ISSN 2589-7500. PMID 34711379.
  63. ↑ Alizadeh, Fatemeh (2020). eXplainable AI: take one step back, move two steps forward. Mensch und Computer.
  64. ↑ NASA 'Evolutionary' software automatically designs antenna. NASA. NASA. Архів оригіналу за 8 серпня 2017. Процитовано 17 липня 2017.
  65. ↑ The Flash Crash: The Impact of High Frequency Trading on an Electronic Market (PDF). CFTC. CFTC. Процитовано 17 липня 2017.
  66. ↑ Weng, Stephen F; Reps, Jenna; Kai, Joe; Garibaldi, Jonathan M; Qureshi, Nadeem (2017). Can machine-learning improve cardiovascular risk prediction using routine clinical data?. PLOS ONE. 12 (4): e0174944. Bibcode:2017PLoSO..1274944W. doi:10.1371/journal.pone.0174944. PMC 5380334. PMID 28376093.
  67. ↑ а б Lakkaraju, Himabindu; Rudin, Cynthia. Learning Cost-Effective and Interpretable Treatment Regimes (PDF). International Conference on Artificial Intelligence and Statistics (AISTATS). 2017.
  68. ↑ Tosun, Akif (2020). Explainable AI (xAI) for Anatomic Pathology. Advances in Anatomic Pathology. July 2020 - Volume 27 - Issue 4 - p 241-250 (4): 241—250. doi:10.1097/PAP.0000000000000264. PMID 32541594.
  69. ↑ https://www.spintellx.com/
  70. ↑ Tesla says it has 'no way of knowing' if autopilot was used in fatal Chinese crash. Guardian. 14 вересня 2016. Процитовано 17 липня 2017.
  71. ↑ Abrams, Rachel; Kurtz, Annalyn (July 2016). Joshua Brown, Who Died in Self-Driving Accident, Tested Limits of His Tesla. New York Times. Процитовано 17 липня 2017.
  72. ↑ Qureshi, M. Atif; Greene, Derek (4 червня 2018). EVE: explainable vector based embedding technique using Wikipedia. Journal of Intelligent Information Systems (англ.). 53: 137—165. arXiv:1702.06891. doi:10.1007/s10844-018-0511-x. ISSN 0925-9902.
  73. ↑ Galhotra, Sainyam; Pradhan, Romila; Salimi, Babak (2021). Explaining black-box algorithms using probabilistic contrastive counterfactuals}. ACM Sigmod. 2021: 577—590. arXiv:2103.11972. doi:10.1145/3448016.3458455. ISBN 9781450383431.

Література[ред. | ред. код]

Отримано з https://uk.wikipedia.org/w/index.php?title=Поясненний_штучний_інтелект&oldid=41707124