[[264976]]

【 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，那么人類可以更進一步地利用人工智能。近期，微軟研究院就機器學(xué)習(xí)的可理解性發(fā)表了相關(guān)文章，雷鋒網(wǎng)全文編譯如下。

當(dāng)人工智能系統(tǒng)能夠影響人類生活時，人們對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強化智能系統(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，最終用戶可能會更快接受由人工智能驅(qū)動的產(chǎn)品和解決方案，同時，也可能更容易滿足監(jiān)管機構(gòu)日益增長的需求。

事實上，要實現(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。可理解性是一個前沿的、跨學(xué)科的研究領(lǐng)域，它建立在機器學(xué)習(xí)、心理、人機交互以及設(shè)計的思想上。

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（相對于一般的加性模型做了改進），以及為黑箱模型的行為或者它們的個別預(yù)測生成解釋的幾種方法。

通過一些簡單的方式去評估可理解性方法，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***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

本文轉(zhuǎn)自雷鋒網(wǎng)，如需轉(zhuǎn)載請至雷鋒網(wǎng)官網(wǎng)申請授權(quán)。