Интеллект, понятный каждому
Как устроен объяснимый ИИ и какие проблемы он решает
Современные разработки в сфере искусственного интеллекта упираются в проблему «черного ящика», которая ставит под сомнение объективность и точность моделей. Решением может стать прозрачный и объяснимый ИИ.
Объяснимый искусственный интеллект представляет собой следующий шаг в развитии ИИ, который сделает технологию более понятной и прозрачной. Внедрение объяснимого ИИ позволит расширить сферу его применения на отрасли, которые работают с потенциально чувствительными данными,— медицину, финансы, судопроизводство и другие.
Что такое объяснимый ИИ
Объяснимый ИИ (Explainable AI, XAI)—это направление исследований в области искусственного интеллекта. Оно стремится создать системы и модели, способные объяснять свои действия и принимать решения понятным для людей образом, чтобы повысить доверие к ИИ. Объяснимый ИИ используется для описания алгоритмов, а также ожидаемых последствий их работы и возможных отклонений. Для этого используются методы визуализации, более простые алгоритмы, а также интерактивные интерфейсы с подсказками.
Благодаря XAI, а также объяснимым процессам машинного обучения организации могут получить доступ к процессам принятия решений, лежащим в основе технологии, и вносить в них коррективы. Он также позволяет улучшить взаимодействие с пользователями, повышая доверие с их стороны.
Характеристики XAI
Объяснимый ИИ должен включать в себя три основных элемента.
Точность прогноза. Запустив моделирование и сравнив выходные данные XAI с результатами в наборе обучающих данных, можно определить точность работы модели. Самый популярный метод, используемый для этого,—это локальные интерпретируемые модельно-агностические объяснения (LIME), которые позволяют объяснить каждый прогноз нейросети. Они анализируют входные данные после того, как те проходят через алгоритм, и сравнивают полученный результат с прогнозируемым. Для этого LIME используют собственный специально обученный на этих данных алгоритм. Сравнение позволяет понять ход рассуждения исходной нейросети.
Прослеживаемость. Она достигается в том числе за счет ограничения способов принятия решений и установления более узкой области применения правил и функций машинного обучения. Примером метода отслеживания XAI является DeepLIFT (Deep Learning Important FeaTures—важные функции глубокого обучения), который сравнивает работу каждой точки («нейрона») нейросети с эталонным показателем и показывает зависимости между ними.