В течение последних трех недель я говорил о ключевых компонентах включения этики в эту область науки о данных, включая прозрачность , доверие и правду на земле . Сегодня я хочу завершить серию из четырех статей об этике искусственного интеллекта, рассказав об интерпретируемости алгоритмов машинного обучения. В частности, я хочу поднять несколько вопросов, обсуждавшихся на вебинаре Fast Forward Labs, который я посетил 5 сентября по этой теме. Если вы следили за новостями в мире..

Почему и как сделать ваши модели машинного обучения интерпретируемыми Критики машинного обучения говорят, что оно создает модели «черного ящика»: системы, которые могут производить ценный результат, но которые люди могут не понять. Это заблуждение. Машинное обучение можно интерпретировать, а это значит, что мы можем создавать модели, понятные людям и которым они доверяют. Тщательно построенные модели машинного обучения можно проверить и понять. Вот почему мы можем использовать их в..

Интерпретируемость модели Интерпретируемость модели - признание модели: важность характеристик Следуя последовательности сообщений об интерпретируемости модели, пришло время поговорить о другом методе объяснения предсказаний модели: Важность функции или, точнее, Важность функции перестановки . Он принадлежит к семейству методов, не зависящих от модели, которые, как объяснялось ранее , представляют собой методы, не зависящие от какой-либо особенности модели, которую мы хотим..