【 圖片來源：Microsoft Research Blog 所有者：Microsoft Research Blog 】

人類創(chuàng)造出人工智能，并且被人工智能影響著自己的生活。如果人工智能的行為具有可理解性，那么人類可以更進(jìn)一步地利用人工智能。近期，微軟研究院就機(jī)器學(xué)習(xí)的可理解性發(fā)表了相關(guān)文章，全文編譯如下。

當(dāng)人工智能系統(tǒng)能夠影響人類生活時(shí)，人們對(duì)它的行為理解是非常重要的。通過理解人工智能系統(tǒng)的行為，數(shù)據(jù)科學(xué)家能夠適當(dāng)?shù)卣{(diào)試它們的模型。如果能夠解釋模型的行為原理，設(shè)計(jì)師們就能夠向最終用戶傳遞這些信息。如果醫(yī)生、法官或者其它決策制定者相信這個(gè)強(qiáng)化智能系統(tǒng)的模型，那他們就可以作出更好的決策。更廣泛的講，隨著模型的理解更加全面，最終用戶可能會(huì)更快接受由人工智能驅(qū)動(dòng)的產(chǎn)品和解決方案，同時(shí)，也可能更容易滿足監(jiān)管機(jī)構(gòu)日益增長的需求。

事實(shí)上，要實(shí)現(xiàn)可理解性是復(fù)雜的，它高度依賴許多變量和人為因素，排除了任何“一刀切”的方法。可理解性是一個(gè)前沿的、跨學(xué)科的研究領(lǐng)域，它建立在機(jī)器學(xué)習(xí)、心理、人機(jī)交互以及設(shè)計(jì)的思想上。

微軟研究院這些年一直致力于研究如何創(chuàng)造出具有可理解性的人工智能，如今，如今微軟在MIT開源協(xié)議下開源了lnterpretML軟件工具包，開源地址是 https://github.com/Microsoft/interpret，它將使開發(fā)人員能夠嘗試各種方法去解釋模型和系統(tǒng)。InterpretML能夠執(zhí)行許多可理解的模型，包括可解釋的Boosting Machine(相對(duì)于一般的加性模型做了改進(jìn))，以及為黑箱模型的行為或者它們的個(gè)別預(yù)測(cè)生成解釋的幾種方法。

通過一些簡(jiǎn)單的方式去評(píng)估可理解性方法，開發(fā)人員就能夠比較不同方法產(chǎn)生的解釋，從而去選擇那些最符合他們需求的方法。例如，通過檢查方法之間的一致性，這樣一來，比較法就能夠幫助數(shù)據(jù)科學(xué)家去了解在多大程度上相信那些解釋。

微軟正期待與開源社區(qū)合作，繼續(xù)開發(fā)InterpretML，開源地址是https://github.com/Microsoft/interpret

雷鋒網(wǎng)注：本文編譯自Microsoft Research Blog

標(biāo)簽： [db:TAGG]

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請(qǐng)聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點(diǎn)！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請(qǐng)與原作者聯(lián)系。