Enoch Arulprakash / Martin Aruldoss
Librería Samer Atenea
Librería Aciertas (Toledo)
Kálamo Books
Librería Perelló (Valencia)
Librería Elías (Asturias)
Donde los libros
Librería Kolima (Madrid)
Librería Proteo (Málaga)
L’intelligenza artificiale (AI) guidata dalle reti neurali è fondamentale in molte applicazioni come i sistemi di raccomandazione, la traduzione linguistica, i social media, i chatbot e il controllo ortografico, ecc. Tuttavia, queste reti sono spesso criticate per essere 'scatole nere', sollevando preoccupazioni sulla loro spiegabilità, soprattutto in domini sensibili come la sanità, la guida autonoma, ecc. I metodi esistenti per migliorare la spiegabilità, come l’importanza delle caratteristiche, spesso mancano di chiarezza e interpretabilità. Per risolvere questo problema, è stata sviluppata la Object-Oriented Neural Network for Improved Explainability (OONNIE). OONNIE utilizza una modellazione orientata agli oggetti per combinare la perdita e il peso della connessione per calcolare l’importanza delle caratteristiche e integra regole specifiche del dominio grazie all’estensibilità di OOP. Il modello enfatizza la trasparenza dell’algoritmo, descrivendo in dettaglio ogni fase dell’addestramento. Valutato su funzioni XOR e XNOR, OONNIE mostra risultati promettenti per quanto riguarda l’importanza delle caratteristiche, la riduzione più rapida delle perdite e il miglioramento delle previsioni dopo l’integrazione delle regole del dominio. Ciò rappresenta un contributo significativo all’IA spiegabile, rendendo OONNIE uno strumento prezioso per lo sviluppo di sistemi di IA affidabili.
