Enoch Arulprakash / Martin Aruldoss
Librería Samer Atenea
Kálamo Books
Librería Perelló (Valencia)
Librería Elías (Asturias)
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.