隨著人工智能(AI)變得越來越復雜并在社會上得到廣泛采用，一組最關鍵的流程和方法是可解釋AI，有時也稱為XAI。

可解釋AI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。

可猜到，這種可解釋性是非常重要的。因為AI算法控制了許多領域，這帶來了偏見、錯誤算法和其他問題的風險。通過可解釋性實現透明度，世界可以真正利用人工智能的力量。

可解釋AI，顧名思義，有助于描述一個AI模型、其影響和潛在的偏見。其還在描述模型的準確性、公平性、透明度和人工智能驅動決策過程的結果方面發揮著作用。

現今的AI驅動的組織應該始終采用可解釋AI流程，以幫助在生產中建立對AI模型的信任和信心。在當今的人工智能環境中，可解釋AI也是成為負責任的企業的關鍵。

由于如今的人工智能系統非常先進，人類通常會執行一個計算過程，以追溯算法是如何得到結果的。這個過程變成了一個“黑匣子”，意味著其是無法被理解的。當這些無法解釋的模型直接從數據中開發出來時，沒有人能理解其中發生了什么。

通過可解釋AI來了解AI系統是如何運行的，開發者可以確保系統能夠正常工作。其還可以幫助確保模型符合監管標準，并為模型提供挑戰或更改的機會。

AI和XAI之間的差異

一些關鍵的差異有助于將“常規”AI與可解釋AI區分開來，但最重要的是，XAI實現了特定的技術和方法，以幫助確保ML過程中的每個決策都是可跟蹤和可解釋的。相比之下，常規AI通常使用ML算法得到結果，但不可能完全理解算法是如何得到結果的。在常規AI的情況下，很難檢查準確性，導致控制、問責和可審核性的喪失。

可解釋AI的好處

任何希望采用可解釋AI的組織都有很多好處，例如:

• 更快的結果:可解釋AI使組織能夠系統地監控和管理模型，以優化業務結果?？梢猿掷m地評估和改進模型性能，并微調模型開發。
• 降低風險:通過采用可解釋的AI流程，可以確保AI模型是可解釋的和透明的。可以管理法規、合規性、風險和其他需求，同時最大限度地減少手動檢查的開銷。所有這些也有助于減少意外偏見的風險。
• 建立信任:可解釋AI有助于在生產AI中建立信任。AI模型可以迅速投入生產，可以保證可解釋性，并且可以簡化模型評估過程，并使其更加透明。

可解釋AI技術

有一些XAI技術是所有組織都應該考慮的，有三種主要方法:預測準確、可追溯性和決策理解。

• 第一種方法是預測的準確性，是在日常操作中成功使用人工智能的關鍵?？梢赃M行模擬，并將XAI輸出與訓練數據集中的結果進行比較，這有助于確定預測的準確性。實現這一點的一種比較流行的技術被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，其通過限制決策的制定方式，以及為機器學習規則和特征建立更狹窄的范圍來實現。最常見的可追溯性技術之一是DeepLIFT，即深度學習重要特征。DeepLIFT將每個神經元的激活與其參考神經元進行比較，同時演示每個激活神經元之間的可追溯鏈接。其還顯示了彼此之間的依賴關系。
• 第三種方法是決策理解，與前兩種方法不同，其是以人為中心的。決策理解包括教育組織，特別是與AI合作的團隊，使他們能夠理解AI如何以及為什么做出決策。這種方法對于在系統中建立信任至關重要。

可解釋AI原則

為了更好地理解XAI及其原則，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：

• AI系統應該為每個輸出提供證據、支持或推理。
• AI系統應該給出用戶能夠理解的解釋。
• 解釋應該準確地反映系統用于達到其輸出的過程。
• AI系統應該只在其設計的條件下運行，當其對結果缺乏足夠的信心時，不應該提供輸出。

這些原則可以進一步組織為：

• 有意義:為了實現有意義的原則，用戶應該理解所提供的解釋。這也意味著，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……“人工智能把路上的塑料袋歸類為石頭，因此采取行動避免撞到它?！彪m然這個例子適用于驅動程序，但對于希望糾正該問題的AI開發人員來說并不是很有用。在這種情況下，開發人員必須理解為什么會出現錯誤分類。
• 解釋準確度:與輸出準確度不同，解釋準確度涉及AI算法準確解釋其是如何達到輸出的。例如，如果貸款批準算法根據申請的收入來解釋決定，而實際上其是基于申請人的居住地，那么這個解釋將是不準確的。
• 知識限制:AI的知識限制可以通過兩種方式達到，其涉及到系統專業知識之外的輸入。例如，如果構建一個系統來對鳥類種類進行分類，給予其一張“蘋果”圖片，其應該能夠解釋輸入不是一只鳥。如果給系統一張模糊的圖片，其應該能夠報告其無法識別圖像中的鳥，或者其識別具有非常低的置信度。

數據在可解釋AI中的作用

可解釋AI最重要的組成部分之一是數據。

根據Google的說法，關于數據和可解釋AI，“一個AI系統最好通過底層的訓練數據和訓練過程，以及產生的AI模型來理解。”這種理解依賴于將經過訓練的AI模型映射到用于訓練其精確數據集的能力，以及密切檢查數據的能力。

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

數據和XAI的另一個關鍵方面是，應該排除與系統無關的數據。為了實現這一點，不相關的數據必須不包含在訓練集或輸入數據中。

Google建議了一套實現可解釋性和問責制的做法:

• 計劃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
• 了解訓練過的模型
• 與模型用戶溝通解釋
• 進行大量測試，以確保AI系統按照預期工作

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