Dapat dijelaskan dan ditafsirkan

Memahami Kecerdasan Buatan

Iason Prassides

Content Developer, DataCamp

Dapat dijelaskan dan ditafsirkan

Kemampuan untuk menjelaskan: kemampuan manusia untuk mengakses dan memahami output AI, misalnya prediksi dan keputusan.

Kemampuan menjelaskan dalam klasifikasi ML penguin

kemampuan interpretasi: memahami proses internal sistem AI: algoritma, model, dan alur kerja data.

Kemampuan interpretasi dalam model ML berbasis pohon keputusan

Memahami Kecerdasan Buatan

Sistem AI white-box versus sistem AI black-box

White-box: model/sistem yang transparan dan mudah diinterpretasikan.

Regresi linier sebagai model white box

Memahami Kecerdasan Buatan

Sistem AI white-box versus sistem AI black-box

White-box: model/sistem yang transparan dan mudah diinterpretasikan.

Regresi linier dan pohon keputusan

Memahami Kecerdasan Buatan

Sistem AI white-box versus sistem AI black-box

White-box: model/sistem yang transparan dan mudah diinterpretasikan.

Regresi linier dan pohon keputusan

Memahami Kecerdasan Buatan

Sistem AI white-box versus sistem AI black-box

Kotak hitam: kompleksitas yang lebih tinggi, Tingkat pemahamannya rendah atau bahkan tidak ada.

Deep neural network sebagai model kotak hitam

Memahami Kecerdasan Buatan

Sistem AI white-box versus sistem AI black-box

Kotak hitam: kompleksitas yang lebih tinggi, Tingkat pemahamannya rendah atau bahkan tidak ada.

Deep neural network sebagai model kotak hitam

Memahami Kecerdasan Buatan

Alat AI Dasar yang Dapat Dijelaskan (XAI)

XAI: metode dan alat untuk meningkatkan transparansi dan transparansi sistem dan model AI. Alat XAI

  • Model introspeksi: menganalisis parameter model internal untuk memahami keputusan.
Memahami Kecerdasan Buatan

Alat AI Dasar yang Dapat Dijelaskan (XAI)

XAI: metode dan alat untuk meningkatkan transparansi dan transparansi sistem dan model AI. Alat XAI

  • Model introspeksi: menganalisis parameter model internal untuk memahami keputusan.
  • Dokumentasi model: arsitektur dan pertimbangan desain yang dapat dibagikan
Memahami Kecerdasan Buatan

Alat AI Dasar yang Dapat Dijelaskan (XAI)

XAI: metode dan alat untuk meningkatkan transparansi dan transparansi sistem dan model AI. Alat XAI

  • Model introspeksi: menganalisis parameter model internal untuk memahami keputusan.
  • Dokumentasi model: arsitektur dan pertimbangan desain yang dapat dibagikan
  • Visualisasi model: representasi yang ramah pengguna dari fitur data dan output model.
Memahami Kecerdasan Buatan

Alat XAI: Pentingnya Fitur

Pentingnya fitur: dampak atau kontribusi fitur (prediktor) terhadap hasil model.

  • Pahami bagaimana model berbasis data (ML/DL) mengambil keputusan.
  • Mendeteksi dan memitigasi masalah, misalnya bias.
  • Dampak penghapusan suatu fitur terhadap kinerja model

 

SHAP (Penjelasan Aditif SHapley)

  • Kotak alat visualisasi pentingnya fitur

Visualisasi SHAP untuk kemampuan menjelaskan

Memahami Kecerdasan Buatan

Alat XAI: Pentingnya Fitur

SHAP (Penjelasan Aditif Shapley)

Plot pentingnya fitur SHAP untuk model prediksi penerimaan universitas

Memahami Kecerdasan Buatan

Alat XAI: Pentingnya Fitur

SHAP (Penjelasan Aditif Shapley)

 

 

Visualisasi SHAP untuk kemampuan menjelaskan.

Memahami Kecerdasan Buatan

Alat XAI: Pentingnya Fitur

SHAP (Penjelasan Aditif Shapley)

Visualisasi SHAP untuk kemampuan menjelaskan

Memahami Kecerdasan Buatan

Implikasi praktis dari XAI

  • Transparansi algoritma:
    • Bagaimana algoritma memproses data dan mengambil keputusan

 

  • Kemampuan interpretasi lokal dan global:
    • Memahami perilaku sistem untuk prediksi tertentu, vs
    • Memahami perilaku sistem secara keseluruhan pada kumpulan data atau masalah.
  • Pertimbangan etika:
    • XAI untuk menangani masalah etika AI: bias, diskriminasi, kepatuhan, dan sebagainya.

 

  • Kolaborasi manusia AI:
    • Kerja sama yang andal berdasarkan kepercayaan dan umpan balik
Memahami Kecerdasan Buatan

Ayo berlatih!

Memahami Kecerdasan Buatan

Preparing Video For Download...