Wyjaśnialność tekstu i obrazów z LIME

Wyjaśnialne AI w Pythonie

Fouad Trad

Machine Learning Engineer

Modele tekstowe

Przetwarzają i interpretują język pisany
Przykład: analiza sentymentu
Modele czarnej skrzynki
LimeTextExplainer wyjaśnia takie modele
- Wskazuje wpływ każdego słowa na predykcję

Model analizy sentymentu przyjmujący recenzję użytkownika i przewidujący odpowiedni sentyment ('Pozytywny' lub 'Negatywny').

Wyjaśniacz tekstu LIME

from lime.lime_text import LimeTextExplainer


text_instance = 
"This product has great features but a poor design."


def model_predict(instance):
  ...
  return class_probabilities


explainer = LimeTextExplainer()

exp = explainer.explain_instance(

  text_instance,

  model_predict

)


exp.as_pyplot_figure()

Modele obrazowe

Bardzo złożone
Interpretują dane wizualne
Przykład: klasyfikacja potraw
LimeImageExplainer wyjaśnia takie modele
- Wskazuje, które obszary obrazu wpływają na predykcje

Model klasyfikacji potraw przyjmujący obraz pizzy i przewidujący rodzaj potrawy na zdjęciu.

Wyjaśniacz obrazów LIME

from lime.lime_image import LimeImageExplainer


explainer = LimeImageExplainer()

explanation = explainer.explain_instance(

  image,

  model_predict,

  num_samples=50

)


temp, _ = explanation.get_image_and_mask(

  explanation.top_labels[0],

  hide_rest=True

)

Obraz lodów.

Wyjaśniacz obrazów LIME

from lime.lime_image import LimeImageExplainer

explainer = LimeImageExplainer()
explanation = explainer.explain_instance(
  image, 
  model_predict,  
  num_samples=50
)

temp, _ = explanation.get_image_and_mask(
  explanation.top_labels[0], 
  hide_rest=True
)

plt.imshow(temp)

Obraz lodów z mniej istotnymi obszarami zasłoniętymi czarnym kolorem.

Czas na ćwiczenia!

Wyjaśnialne AI w Pythonie