Zwiększanie zrozumialości sieci neuronowych

Sztuczna inteligencja (AI) oparta na sieciach neuronowych ma kluczowe znaczenie w wielu zastosowaniach, takich jak systemy rekomendacji, t¿umaczenia j¿zykowe, media spo¿eczno¿ciowe, chatboty, sprawdzanie pisowni itp. Sieci te s¿ jednak cz¿sto krytykowane za to, ¿e s¿ "czarnymi skrzynkami", co budzi obawy o ich wyjänialno¿¿, zw¿aszcza w delikatnych dziedzinach, takich jak opieka zdrowotna, autonomiczna jazda itp. Istniej¿ce metody zwi¿kszania wyjänialno¿ci, takie jak znaczenie cech, cz¿sto nie s¿ jasne i ¿atwe do interpretacji. Aby temu zaradzi¿, opracowano Object-Oriented Neural Network for Improved Explainability (OONNIE). OONNIE wykorzystuje modelowanie obiektowe do ¿¿czenia strat i wag po¿¿cze¿ w celu obliczania znaczenia funkcji i integruje regu¿y specyficzne dla domeny dzi¿ki rozszerzalno¿ci OOP. Model k¿adzie nacisk na przejrzysto¿¿ algorytmów, szczegó¿owo opisuj¿c kädy etap szkolenia. Oceniany na funkcjach XOR i XNOR, OONNIE wykazuje obiecuj¿ce wyniki w zakresie znaczenia cech, szybszej redukcji strat i lepszych prognoz po zintegrowaniu regu¿ domenowych. Stanowi to znacz¿cy wk¿ad w wyjänialn¿ sztuczn¿ inteligencj¿, dzi¿ki czemu OONNIE jest cennym narz¿dziem do opracowywania godnych zaufania systemów sztucznej inteligencji.

Pagina's: 132, Paperback, Edizioni Sapienza