理解人工智能決策對研究人員、決策者和廣大人民來說非常重要。幸運的是，有一些方法可以確保我們了解更多。前沿人工智能公司和學(xué)術(shù)屆使用的深度學(xué)習(xí)模型已經(jīng)變得如此復(fù)雜，以至于即使是構(gòu)建模型的研究人員也難以理解正在做出的決策。

這一點在某錦標(biāo)賽上得到了最明顯的體現(xiàn)。在這場比賽中，數(shù)據(jù)科學(xué)家和職業(yè)圍棋選手經(jīng)常被人工智能在比賽中的決策所迷惑，因為它做出了非正式的游戲，而這并不被認為是最強的一步。

為了更好地理解他們構(gòu)建的模型，人工智能研究人員開發(fā)了三種主要的解釋方法。這些是局部解釋方法，只解釋一個具體的決定，而不是整個模型的決定，考慮到規(guī)模，這可能具有挑戰(zhàn)性。

研究人員正確理解人工智能決策的三種方法

特征歸因

通過特征歸因，人工智能模型將識別輸入的哪些部分對特定決策是重要的。對于X射線，研究人員可以看到熱圖或模型認為對其決策最重要的單個像素。

使用這種特征歸因解釋，可以檢查是否存在虛假相關(guān)性。例如，它會顯示水印中的像素是否被突出顯示，或者實際腫瘤中的像素是否被突出顯示。

反事實解釋

當(dāng)做出決定時，我們可能會感到困惑，不知道為什么人工智能會做出這樣或那樣的決定。由于人工智能被部署在高風(fēng)險的環(huán)境中，如監(jiān)獄、保險或抵押貸款，了解人工智能拒絕因素或上訴的原因應(yīng)該有助于他們在下次申請時獲得批準(zhǔn)。

反事實解釋方法的好處是，它確切地告訴你需要如何更改輸入來翻轉(zhuǎn)決策，這可能具有實際用途。對于那些申請抵押貸款卻沒有得到的人來說，這個解釋會告訴他們需要做些什么來達到他們想要的結(jié)果。

樣本重要性

樣本重要性解釋需要訪問模型背后的基礎(chǔ)數(shù)據(jù)。如果研究人員注意到他們認為是錯誤的，他們可以運行一個樣本重要性解釋，以查看人工智能是否輸入了它無法計算的數(shù)據(jù)，從而導(dǎo)致判斷錯誤。?