ความสามารถอธิบายได้และตีความได้

ทำความเข้าใจปัญญาประดิษฐ์

Iason Prassides

Content Developer, DataCamp

ความสามารถอธิบายได้และตีความได้

ความสามารถอธิบายได้ (Explainability): ความสามารถของมนุษย์ในการเข้าถึงและทำความเข้าใจผลลัพธ์ของ AI เช่น การพยากรณ์และการตัดสินใจ

Explainability ในตัวแบบจำแนกเพนกวิน ML

ความสามารถตีความได้ (Interpretability): เข้าใจกระบวนการภายในของระบบ AI ได้แก่ อัลกอริทึม โมเดล และขั้นตอนการจัดการข้อมูล

Interpretability ในโมเดล ML แบบ decision tree

ระบบ AI แบบ White-box กับ Black-box

White-box: โมเดล/ระบบที่โปร่งใสและตีความได้ง่าย

Linear regression ในฐานะโมเดล white-box

ระบบ AI แบบ White-box กับ Black-box

White-box: โมเดล/ระบบที่โปร่งใสและตีความได้ง่าย

Linear regression และ decision tree

ระบบ AI แบบ White-box กับ Black-box

White-box: โมเดล/ระบบที่โปร่งใสและตีความได้ง่าย

Linear regression และ decision tree

ระบบ AI แบบ White-box กับ Black-box

Black-box: ซับซ้อนสูง เข้าใจกระบวนการภายในได้น้อยหรือไม่ได้เลย

Deep neural network ในฐานะโมเดล black-box

ระบบ AI แบบ White-box กับ Black-box

Black-box: ซับซ้อนสูง เข้าใจกระบวนการภายในได้น้อยหรือไม่ได้เลย

Deep neural network ในฐานะโมเดล black-box

เครื่องมือ XAI พื้นฐาน (Explainable AI)

XAI: วิธีการและเครื่องมือเพื่อเพิ่มความโปร่งใสและความสามารถอธิบายได้ของระบบและโมเดล AI

Model introspection: ตรวจสอบพารามิเตอร์ภายในโมเดลเพื่อทำความเข้าใจการตัดสินใจ

เครื่องมือ XAI พื้นฐาน (Explainable AI)

XAI: วิธีการและเครื่องมือเพื่อเพิ่มความโปร่งใสและความสามารถอธิบายได้ของระบบและโมเดล AI

Model introspection: ตรวจสอบพารามิเตอร์ภายในโมเดลเพื่อทำความเข้าใจการตัดสินใจ

Model documentation: สรุปสถาปัตยกรรมและแนวคิดการออกแบบที่แชร์ได้

เครื่องมือ XAI พื้นฐาน (Explainable AI)

XAI: วิธีการและเครื่องมือเพื่อเพิ่มความโปร่งใสและความสามารถอธิบายได้ของระบบและโมเดล AI

Model introspection: ตรวจสอบพารามิเตอร์ภายในโมเดลเพื่อทำความเข้าใจการตัดสินใจ

Model documentation: สรุปสถาปัตยกรรมและแนวคิดการออกแบบที่แชร์ได้

Model visualization: แสดงผลฟีเจอร์ข้อมูลและผลลัพธ์โมเดลในรูปแบบที่เข้าใจง่าย