Майское издание: вопросы по объяснимому ИИ
Поскольку модели машинного обучения проникают практически во все области знаний, понимание того, что делают системы машинного обучения, становится проблематичным.
Многие статьи, блоги и программные инструменты представляют объяснимость и интерпретируемость квазиматематическим способом, но ... существует ли каноническое определение для того, что означают интерпретируемость и объяснимость? Или даже как мы оцениваем объяснения?
Алгоритмы машинного обучения определенно нельзя оставлять на произвол судьбы. Вопрос в том, как мы, люди, можем понять алгоритмы, превосходящие человеческие по производительности?
Итак, в этом ежемесячном выпуске мы решили выделить некоторые из лучших блогов и подкастов, о которых авторы TDS хотят, чтобы вы знали. Независимо от того, являетесь ли вы специалистом по обработке данных в промышленности, исследователем в академических кругах, студентом или просто любопытным человеком, я бы порекомендовал воспользоваться этой возможностью, чтобы поразмышлять о влиянии машинного обучения на общество и потенциальной потребности в объяснении.
Приятного чтения!
Карлос Моган, младший редактор журнала Towards Data Science и научный сотрудник Мари-Склодовской-Кюри.
Ответственный AI в Facebook
Подкаст | "YouTube"
Facebook регулярно развертывает системы рекомендаций и прогнозные модели, которые ежедневно влияют на жизнь миллиардов людей. Такой охват предполагает большую ответственность - среди прочего, ответственность за разработку этичных, справедливых и хорошо охарактеризованных инструментов искусственного интеллекта.
Должен ли ИИ быть этичным?
Подкаст | "YouTube"
Поскольку системы искусственного интеллекта стали более распространенными, люди стали уделять больше внимания их этическим последствиям.
Выведите объяснимый ИИ на новый уровень, обнаружив« несколько жизненно важных причин »
Эффективный Объясняемый ИИ должен быть нацелен на обнаружение «немногих важных» причин, а не «множества тривиальных» событий. Вот как это сделать на Python.
Автор Самуэле Маццанти - 8 мин.
Потребность в объяснении в искусственном интеллекте и робототехнике
Объяснимый ИИ: ворота в новое будущее.
Автор Пьер Паоло Ипполито - 5 мин.
Вы недостаточно используете значения SHAP - группы функций и корреляции
Ваша модель - это линза в ваших данных, а SHAP - ее телескоп.
Автор Эстеван Уйра Пардильос Виейра - 7 мин.
Открытие черных ящиков: как использовать объяснимое машинное обучение
Использование PDP, LIME и SHAP для создания интерпретируемых решений, которые создают ценность для ваших заинтересованных сторон.
Автор Маартен Гроотендорст - 9 мин.
Объяснимая бустерная машина
Так же точен, как повышение градиента, так же интерпретируется как линейная регрессия.
Автор Dr. Роберт Кюблер - 11 мин.
Важность расширенной перестановки для объяснения прогнозов
Выведите объяснимость на новый уровень, сохранив простоту.
Автор Марко Черлиани - 6 мин.
Разберитесь в машинном обучении Blackbox с ML-интерпретатором
Веб-приложение для автоматической интерпретации решений таких алгоритмов, как XGBoost.
Автор Ханна Ян Хан - 8 мин.
Объяснение моделей машинного обучения« черный ящик - практическое применение SHAP»
Обучите модель GBM «черного ящика» на реальном наборе данных и сделайте ее объяснимой с помощью SHAP.
Автор Норм Нимер - чтение 5 мин.
5 веских причин, почему объяснимый ИИ - экзистенциальная потребность человечества
Что такое объяснимый искусственный интеллект (XAI) и почему мы стремимся к объяснимости и интерпретируемости в системах ИИ?
Автор Орхан Г. Ялчин - 8 мин.
Новые подкасты
- Джош Фэйрфилд - ИИ продвигается вперед, но может ли закон не отставать?
- Мелани Митчелл - Экзистенциальный риск от ИИ: скептическая точка зрения
- Райан Кэри - Чего хочет ваш ИИ?
- Ян Ли - Удивительные вызовы глобальной филантропии в области искусственного интеллекта
Мы также благодарим всех замечательных новых писателей, которые недавно присоединились к нам Несрин Сфар, Авишай Балтер, Линдси М. Петтингилл, Стива Аттила Копиас , Нина Христозова, Кишор Гопалан, Пратик Сингх, Жан-Батист Шарро, Дастин Стюарт, Сунаяна Гош, Прийонуй Боруах, Йоханнес Битц, Изабель Огенштейн, Кабир Нагреча, Фабио Оливейра, Матиас Грубер, Мохаммадреза Салехи, Тео, Габриэльгиллинг , Трэвис Купер, Лука Карниато, Инес Ли, Роберт Дзудзар, Дэвид Холл , Майкл Азимов, Никита Киселов, Кирилл Цыганов, Генри Грили, Бенджамин Лоу , Кэти Хуанг, Чак Аттербек, Дениза Блэквуд, Айя Спенсер, Sixing Huang , Оскар Гудло, Федерико Бьянки, Кристин Винтер, Габриэль Хермсен, Тино Альварес , Питер Гао и многие другие. Мы приглашаем вас взглянуть на их профили и ознакомиться с их работой.