Kesimpulan
Dalam pola kode ini, dapatkan wawasan dan kemampuan menjelaskan yang lebih baik dengan mempelajari cara menggunakan AI 360 Explainability Toolkit untuk mengungkap keputusan yang dibuat oleh model pembelajaran mesin. Ini tidak hanya membantu pembuat kebijakan dan ilmuwan data untuk mengembangkan aplikasi AI yang dapat dijelaskan, tetapi juga membantu transparansi untuk semua orang. Untuk mendemonstrasikan penggunaan AI Explainability 360 Toolkit, kami menggunakan yang sudah ada pola kode deteksi penipuan menjelaskan algoritma AIX360.
Deskripsi Produk
Bayangkan sebuah skenario di mana Anda mengunjungi bank di mana Anda ingin mengambil pinjaman $1 juta. Petugas pinjaman menggunakan sistem bertenaga AI yang memprediksi atau merekomendasikan apakah Anda memenuhi syarat untuk mendapatkan pinjaman dan berapa banyak pinjaman itu. Dalam contoh ini, sistem AI merekomendasikan bahwa Anda tidak memenuhi syarat untuk mendapatkan pinjaman. Jadi, Anda mungkin memiliki beberapa pertanyaan yang perlu Anda pikirkan:
- Apakah Anda sebagai pelanggan akan puas dengan layanannya?
- Apakah Anda ingin pembenaran atas keputusan yang dibuat oleh sistem AI?
- Haruskah petugas pinjaman memeriksa ulang keputusan yang dibuat oleh sistem AI, dan apakah Anda ingin mereka mengetahui mekanisme yang mendasari model AI?
- Haruskah bank sepenuhnya mempercayai dan mengandalkan sistem yang didukung AI?
Anda mungkin setuju bahwa tidak cukup hanya membuat prediksi. Terkadang, Anda harus memiliki pemahaman yang mendalam tentang mengapa keputusan itu dibuat. Ada banyak alasan mengapa Anda perlu memahami mekanisme yang mendasari model pembelajaran mesin. Ini termasuk:
- Keterbacaan manusia
- Mitigasi bias
- Pembenaran
- Interpretabilitas
- Menumbuhkan kepercayaan dan keyakinan dalam sistem AI
Dalam pola kode ini, kami mendemonstrasikan cara kerja ketiga algoritme yang dapat dijelaskan:
- Algoritma Contrastive Explanations Method (CEM) yang tersedia di AI Explainability 360 Toolkit.
- Penjelasan AI 360—ProtoDash bekerja dengan model prediktif yang ada untuk menunjukkan bagaimana pelanggan dibandingkan dengan orang lain yang memiliki profil serupa dan memiliki catatan pembayaran yang serupa dengan prediksi model untuk pelanggan saat ini. Ini membantu untuk mengevaluasi dan memprediksi risiko pemohon. Berdasarkan prediksi model dan penjelasan bagaimana sampai pada rekomendasi tersebut, petugas pinjaman dapat membuat keputusan yang lebih tepat.
- Algoritme Generalized Linear Rule Model (GLRM) dalam AI Explainability 360 Toolkit memberikan tingkat kemampuan menjelaskan yang lebih baik kepada ilmuwan data apakah model tersebut dapat diterapkan.
Aliran
- Masuk ke IBM Watson® Studio yang diberdayakan oleh Spark, mulai IBM Cloud Object Storage, dan buat proyek.
- Unggah file data .csv ke IBM Cloud Object Storage.
- Muat file data di notebook Watson Studio.
- Instal AI Explainability 360 Toolkit dan Adversarial Robustness Toolbox di notebook Watson Studio.
- Dapatkan visualisasi untuk keterjelasan dan interpretasi model AI untuk tiga jenis pengguna yang berbeda.
petunjuk
Temukan langkah-langkah terperinci di menu README mengajukan. Langkah-langkah itu menjelaskan cara:
- Buat akun dengan IBM Cloud.
- Buat proyek Watson Studio baru.
- Tambahkan data.
- Buat buku catatan.
- Masukkan data sebagai DataFrame.
- Jalankan notebook.
- Analisis hasilnya.
Pola kode ini adalah bagian dari Toolkit AI 360: Model AI dijelaskan use case series, yang membantu pemangku kepentingan dan pengembang untuk memahami siklus hidup model AI sepenuhnya dan membantu mereka membuat keputusan yang tepat.
Sumber: https://developer.ibm.com/patterns/analyzing-fraud-prediction-ai-models/- Akun
- AI
- algoritma
- algoritma
- aplikasi
- arsitektur
- Bank
- tubuh
- awan
- kode
- kepercayaan
- Konten
- terbaru
- data
- ilmuwan data
- Deteksi
- mengembangkan
- pengembang
- Dapat dijelaskan
- AI yang bisa dijelaskan
- aliran
- penipuan
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- HTTPS
- IBM
- Cloud IBM
- wawasan
- IT
- pengetahuan
- Tingkat
- pinjaman
- Mesin belajar
- model
- Penyimpanan Objek
- Petugas
- Lainnya
- pola
- ramalan
- Prediksi
- profil
- proyek
- alasan
- arsip
- Hasil
- Risiko
- ilmuwan
- Seri
- So
- penyimpanan
- sistem
- Transparansi
- Kepercayaan
- Pengguna
- visualisasi
- Watson
- Studio Watson
- SIAPA
- Kerja
- bekerja