如今,人工智能和机器学习无处不在。
不管是大家一起玩 ChatGPT (最快的 历史上采用的应用程序) 或最近的建议添加 红绿灯的第四种颜色 为了更安全地过渡到自动驾驶汽车,人工智能已经彻底渗透到我们的生活中。 虽然 AI 似乎比以往任何时候都更容易获得,但 AI 模型的复杂性呈指数级增长。
人工智能模型分为黑盒和白盒模型两大类。 黑盒模型在没有解释的情况下做出决定,而白盒模型根据产生该结果的规则提供结果。
随着我们继续走向一个完整的深度学习方法的世界,大多数都在很大程度上倾向于黑盒模型。
这种方法的问题是什么? 不能直接使用黑盒模型(如内置计算机视觉的模型)。 这通常被称为黑盒问题。 虽然重新训练黑盒模型可以让用户快速入门,但随着模型复杂性的增加,解释模型和理解黑盒模型的结果变得更加困难。
解决黑盒难题的一种策略是制作一个非常定制和可解释的模型。
但是,这不是世界前进的方向。
模型可解释性结束的地方,数据可解释性开始的地方
可解释性至关重要,因为它可以提高模型的透明度、准确性和公平性,还可以提高对 AI 的信心。 虽然模型可解释性是一种传统方法,但现在也需要一种新类型:数据可解释性。
模型可解释性意味着理解算法,以便理解最终结果。 例如,如果肿瘤科中使用的模型旨在测试生长是否癌变,则医疗保健提供者应该了解产生最终结果的变量。 虽然这在理论上听起来不错,但模型的可解释性并不能完全解决黑盒问题。
随着模型变得越来越复杂,大多数从业者将无法精确定位转换并解释模型内层的计算。 他们在很大程度上依赖于他们可以控制的东西,即训练数据集和他们观察到的东西、结果和预测措施。
让我们以数据科学家为例,构建一个模型来从数千张照片中检测咖啡杯的照片——但该模型也开始检测水杯和啤酒杯的图像。 虽然玻璃杯和啤酒杯可能与咖啡杯有一些相似之处,但它们之间存在明显差异,例如典型材料、颜色、不透明度和结构比例。
对于以更高可靠性检测咖啡杯的模型,数据科学家必须知道以下问题的答案:
- 模型拾取了哪些图像而不是咖啡杯?
- 模型失败是因为我没有提供足够或正确的咖啡杯示例吗?
- 该模型是否足以满足我要实现的目标?
- 我需要挑战我对模型的看法吗?
- 我可以最终确定导致模型失败的原因是什么?
- 我应该生成模型的新假设吗?
- 我是否刚刚为工作选择了错误的型号?
正如您所看到的,每次出现问题时都提供这种洞察力、理解力和模型可解释性是极不可能的。
数据可解释性是理解 data 用于训练和输入模型,以了解模型的最终结果是如何达到的。 随着 ML 算法变得越来越复杂,但在各个专业和行业中的应用越来越广泛,数据可解释性将成为快速解锁和解决常见问题的关键,例如我们的咖啡杯示例。
通过数据可解释性提高 ML 的公平性和透明度
ML 模型中的公平性是一个热门话题,通过应用数据可解释性可以使这个话题变得更加热门。
为什么嗡嗡声? 人工智能中的偏见会给一个群体带来偏见的结果。 记录最详尽的案例之一是种族用例中的偏见。 让我们看一个例子。
假设一家大型知名消费平台正在招聘新的营销总监职位。 为了处理每天收到的大量简历,人力资源部门部署了人工智能/机器学习模型,通过选择关键特征或合格的申请人来简化申请和招聘流程。
为了执行此任务,并辨别和分桶每份简历,模型将通过理解关键的主导特征来做到这一点。 不幸的是,这 还 意味着该模型也可以隐含地了解候选人的普遍种族偏见。 这到底是怎么发生的? 如果申请人池中某个种族的百分比较小,则机器会认为该组织更喜欢不同种族或占主导地位的数据集的成员。
如果一个模型失败了,即使是无意的,公司也必须解决这个问题。 本质上,部署该模型的人必须能够捍卫该模型的使用。
在招聘和种族偏见案例中,辩护人必须能够向愤怒的公众和/或应用程序池解释使用数据集来训练模型、基于该训练的模型的初步成功结果、在极端情况下采用的模型,以及这如何导致无意的数据不平衡,最终造成种族偏见的过滤过程。
对于大多数人来说,这种关于人工智能、不平衡数据集、模型训练以及数据监督最终失败的细节不会被很好地接受甚至理解。 但是从这个故事中会理解和坚持什么? XYZ 公司在招聘时存在种族偏见。
这个非常常见的例子的寓意是,一个非常聪明的模型确实会发生意外错误,并且会对人类产生负面影响并产生可怕的后果。
数据可解释性将我们带到何处
数据可解释性不是通过理解复杂的机器学习模型来翻译结果,而是使用数据来解释预测和失败。
数据可解释性是查看测试数据的组合 和 了解模型将从该数据中提取什么。 这包括了解代表性不足的数据样本、过度代表性的样本(如在招聘示例中)以及模型检测的透明度,以便准确理解预测和错误预测。
这种对数据可解释性的理解不仅会提高模型的准确性和公平性,还会帮助模型更快地加速。
随着我们继续依赖复杂的 AI 和 ML 程序并将其融入我们的日常生活,解决黑匣子问题变得至关重要,特别是对于失败和错误预测。
虽然模型的可解释性始终占有一席之地,但它需要另一层。 我们需要数据的可解释性,因为经典模型的可解释性永远无法理解模型正在看到和阅读的内容。
- SEO 支持的内容和 PR 分发。 今天得到放大。
- 柏拉图爱流。 Web3 数据智能。 知识放大。 访问这里。
- 与 Adryenn Ashley 一起铸造未来。 访问这里。
- 使用 PREIPO® 买卖 PRE-IPO 公司的股票。 访问这里。
- Sumber: https://www.dataversity.net/data-explainability-the-counterpart-to-model-explainability/
- :具有
- :是
- :不是
- $UP
- a
- Able
- 加快
- 无障碍
- 完成
- 准确
- 横过
- 地址
- AI
- AI / ML
- 算法
- 算法
- 还
- 时刻
- an
- 和
- 另一个
- 答案
- 应用
- 申请人
- 应用领域
- 应用
- 的途径
- 保健
- 围绕
- AS
- At
- 基于
- BE
- 因为
- 成为
- 成为
- 成为
- 啤酒
- 开始
- 偏见
- 偏
- 偏见
- 黑色
- 盒子
- 建筑物
- 建
- 但是
- by
- CAN
- 候选人
- 不能
- 关心
- 汽车
- 案件
- 例
- 类别
- 造成
- 挑战
- 特点
- 咖啡
- 颜色
- 组合
- 相当常见
- 公司
- 复杂
- 复杂
- 一台
- 计算机视觉
- 信心
- 后果
- 消费
- 消费者
- 继续
- 控制
- 难题
- 常规
- 角落
- 可以
- 对口
- 覆盖
- 手艺
- 创建信息图
- 创建
- 危急
- 每天
- data
- 数据科学家
- 数据集
- 数据多样性
- 处理
- 决定
- 深
- 深入学习
- 交付
- 交付
- 问题类型
- 部署
- 部署
- 设计
- 细节
- 检测
- 确定
- DID
- 差异
- 不同
- 可怕的
- 方向
- 直接
- 副总经理
- 不同
- do
- 不会
- 优势
- e
- 每
- 结束
- 结束
- 更多
- 本质上
- 甚至
- 最终的
- 终于
- EVER
- 所有的
- 每个人
- 究竟
- 例子
- 例子
- 说明
- 可解释性
- 解释
- 成倍
- 失败
- 失败
- 失败
- 公平
- 秋季
- 快
- 过滤
- 针对
- 第四
- 止
- 其他咨询
- 生成
- 给
- 玻璃
- 眼镜
- 去
- 非常好
- 大
- 团队
- 事业发展
- 发生
- 有
- 健康管理
- 卫生保健
- 帮助
- 更高
- 高度
- 招聘
- 热卖
- 创新中心
- hr
- HTML
- HTTPS
- 人类
- i
- if
- 图片
- 失调
- 影响力故事
- 改善
- 提高
- in
- 包括
- 合并
- 增加
- 增加
- 行业
- 初始
- 输入
- 洞察
- 例
- 代替
- 成
- 问题
- IT
- 它的
- 工作
- 只是
- 键
- 类
- 大
- 在很大程度上
- 层
- 层
- 学习
- 导致
- 喜欢
- 生活
- 看
- 机
- 机器学习
- 制成
- 主要
- 使
- 制作
- 营销
- 营销总监
- 质量
- 物料
- 可能..
- 手段
- 措施
- 成员
- 方法
- 可能
- 错误
- ML
- ML算法
- 模型
- 模型
- 道德
- 更多
- 最先进的
- 移动
- 移动
- 必须
- my
- 需求
- 负
- 决不要
- 全新
- 现在
- 观察
- of
- 经常
- on
- 肿瘤
- 一
- 仅由
- 不透明
- or
- 秩序
- 组织
- 我们的
- 疏忽
- 尤其
- 百分比
- 演出
- 照片
- 图片
- 挑
- 地方
- 平台
- 柏拉图
- 柏拉图数据智能
- 柏拉图数据
- 播放
- 池
- 位置
- 做法
- 预测
- 预测
- 偏见的
- 市场问题
- 问题
- 过程
- 生成
- 训练课程
- 提案
- 提供
- 提供者
- 国家
- 合格
- 有疑问吗?
- 很快
- 种族
- 种族偏见
- 达到
- 达到
- 阅读
- 收到
- 最近
- 招聘
- 简称
- 可靠性
- 依靠
- 需要
- 导致
- 成果
- 简历
- 再培训
- 右
- 定位、竞价/采购和分析/优化数字媒体采购,但算法只不过是解决问题的操作和规则。
- 更安全
- 科学家
- 看到
- 看到
- 似乎
- 选择
- 自驾车
- 感
- 服务
- 应该
- 单
- 小
- 智能
- So
- 解决
- 一些
- 棒
- 故事
- 精简
- 结构
- 成功
- 这样
- 需要
- 任务
- test
- 比
- 这
- 嗡嗡声
- 世界
- 然后
- 理论
- 那里。
- 他们
- 认为
- Free Introduction
- 透
- 那些
- 数千
- 次
- 至
- 主题
- 向
- 交通
- 培训
- 产品培训
- 转换
- 过渡
- 用户评论透明
- 类型
- 普遍
- 无法
- 代表性不足
- 理解
- 理解
- 了解
- 不幸
- 单元
- 解锁
- 使用
- 用过的
- 用户
- 运用
- 非常
- 通过
- 查看
- 愿景
- 是
- we
- 井
- 知名
- 什么是
- 这
- 而
- 白色
- 白盒
- 谁
- 全
- 广泛
- 将
- 中
- 也完全不需要
- 世界
- 将
- 错误
- 雅虎
- 您
- 和风网