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)
Sztuczna inteligencja (AI) oparta na sieciach neuronowych ma kluczowe znaczenie w wielu zastosowaniach, takich jak systemy rekomendacji, tłumaczenia językowe, media społecznościowe, chatboty, sprawdzanie pisowni itp. Sieci te są jednak często krytykowane za to, że są 'czarnymi skrzynkami', co budzi obawy o ich wyjaśnialność, zwłaszcza w delikatnych dziedzinach, takich jak opieka zdrowotna, autonomiczna jazda itp. Istniejące metody zwiększania wyjaśnialności, takie jak znaczenie cech, często nie są jasne i łatwe do interpretacji. Aby temu zaradzić, opracowano Object-Oriented Neural Network for Improved Explainability (OONNIE). OONNIE wykorzystuje modelowanie obiektowe do łączenia strat i wag połączeń w celu obliczania znaczenia funkcji i integruje reguły specyficzne dla domeny dzięki rozszerzalności OOP. Model kładzie nacisk na przejrzystość algorytmów, szczegółowo opisując każdy etap szkolenia. Oceniany na funkcjach XOR i XNOR, OONNIE wykazuje obiecujące wyniki w zakresie znaczenia cech, szybszej redukcji strat i lepszych prognoz po zintegrowaniu reguł domenowych. Stanowi to znaczący wkład w wyjaśnialną sztuczną inteligencję, dzięki czemu OONNIE jest cennym narzędziem do opracowywania godnych zaufania systemów sztucznej inteligencji.