Tóm tắt nội dung
Đây là một cuốn sách truy cập mở. Học máy thống kê (ML) đã thúc đẩy sự hồi sinh của trí tuệ nhân tạo (AI). Mặc dù các mô hình ML thành công nhất, bao gồm Mạng Nơ-ron Sâu (DNN), đã phát triển khả năng dự đoán tốt hơn, nhưng chúng ngày càng trở nên phức tạp, làm giảm khả năng diễn giải của con người (tương quan so với nhân quả). Lĩnh vực AI có thể giải thích (xAI) đã nổi lên với mục tiêu tạo ra các công cụ và mô hình vừa có khả năng dự đoán, vừa có thể diễn giải và dễ hiểu đối với con người. AI có thể giải thích đang nhận được sự quan tâm lớn trong cộng đồng nghiên cứu về học máy và AI, từ giới học thuật, công nghiệp đến chính phủ, và hiện nay có một cơ hội tuyệt vời để thúc đẩy các ứng dụng AI có thể giải thích thành công. Tập sách này sẽ giúp cộng đồng nghiên cứu đẩy nhanh quá trình này, thúc đẩy việc sử dụng AI có thể giải thích một cách có hệ thống hơn để cải thiện các mô hình trong nhiều ứng dụng khác nhau, và cuối cùng là hiểu rõ hơn về cách thức cải tiến các phương pháp AI có thể giải thích hiện tại và loại lý thuyết nào về AI có thể giải thích là cần thiết. Sau phần tổng quan về các phương pháp và thách thức hiện tại, ban biên tập sẽ đưa vào các chương mô tả những phát triển mới trong AI có thể giải thích. Các đóng góp đến từ các nhà nghiên cứu hàng đầu trong lĩnh vực này, đến từ cả giới học thuật và công nghiệp, và nhiều chương sử dụng phương pháp tiếp cận liên ngành rõ ràng để giải quyết vấn đề. Các khái niệm được thảo luận bao gồm khả năng giải thích, khả năng nhân quả và giao diện AI với con người, và các ứng dụng bao gồm xử lý hình ảnh, ngôn ngữ tự nhiên, luật pháp, công bằng và khoa học khí hậu.
Abstract:
This is an open access book. Statistical machine learning (ML) has triggered a renaissance of artificial intelligence (AI). While the most successful ML models, including Deep Neural Networks (DNN), have developed better predictivity, they have become increasingly complex, at the expense of human interpretability (correlation vs. causality). The field of explainable AI (xAI) has emerged with the goal of creating tools and models that are both predictive and interpretable and understandable for humans. Explainable AI is receiving huge interest in the machine learning and AI research communities, across academia, industry, and government, and there is now an excellent opportunity to push towards successful explainable AI applications. This volume will help the research community to accelerate this process, to promote a more systematic use of explainable AI to improve models in diverse applications, and ultimately to better understand how current explainable AI methods need to be improved and what kind of theory of explainable AI is needed. After overviews of current methods and challenges, the editors include chapters that describe new developments in explainable AI. The contributions are from leading researchers in the field, drawn from both academia and industry, and many of the chapters take a clear interdisciplinary approach to problem-solving. The concepts discussed include explainability, causability, and AI interfaces with humans, and the applications include image processing, natural language, law, fairness, and climate science.
Sử dụng ứng dụng Libol Bookworm quét QRCode này để mượn và đọc tài liệu)
(Lưu ý: Sử dụng ứng dụng Bookworm để xem đầy đủ tài liệu. Bạn đọc có thể tải Bookworm từ App Store hoặc Google play với từ khóa "Libol Bookworm”)