| Summary: | Η ραγδαία εξέλιξη της τεχνητής νοημοσύνης (AI) και της μηχανικής μάθησης έχει επιφέρει επαναστατικές αλλαγές σε πολλές βιομηχανίες και οργανισμούς, καθιστώντας την ως ένα αναπόσπαστο κομμάτι της καθημερινότητας. Πλέον, τα συστήματα τεχνητής νοημοσύνης εμπεριέχονται σε όλο και περισσότερες εφαρμογές, έχοντας μεταμορφώσει τον τρόπο με τον οποίο οι άνθρωποι αλληλεπιδρούν με την τεχνολογία. Ωστόσο, μια σημαντική πρόκληση που δημιουργείται, είναι η έλλειψη διαφάνειας και ερμηνευσιμότητας στα σύγχρονα μοντέλα μηχανικής μάθησης, καθώς τα περισσότερα και πιο χρήσιμα από αυτά αποτελούν ‘’μαύρα κουτιά’’, στα οποία ούτε οι ίδιοι οι δημιουργοί τους δεν γνωρίζουν πως ακριβώς λειτουργούν. Ιδιαίτερα σε συστήματα που αφορούν κρίσιμους τομείς, αξίες όπως η εμπιστοσύνη, η ακεραιότητα και η λογοδοσία είναι ύψιστης σημασίας. Η Επεξηγήσιμη Τεχνητή Νοημοσύνη (XAI) αποτελεί τον τρόπο για την αντιμετώπιση αυτών των προβλημάτων και παρέχει επεξηγήσεις που συνεισφέρουν στην κατανόηση της λήψης των αποφάσεων και των προβλέψεων ενός μοντέλου μηχανικής μάθησης. Η παρούσα διπλωματική εργασία στοχεύει στην διερεύνηση και αξιολόγηση των μεθόδων και τεχνικών της XAI, αναδεικνύοντας τον τρόπο λειτουργίας τους. Παρουσιάζονται οι έννοιες που αφορούν την XAI και υπογραμμίζεται η ανάγκη της στον πραγματικό κόσμο. Συγκεκριμένα, μελετώνται οι επιλεγμένες δημοφιλείς μέθοδοι LIME, SHAP και ‘’Αντιφατικές Επεξηγήσεις’’, τόσο σε θεωρητικό όσο και σε πρακτικό επίπεδο. Δίνονται παραδείγματα που δοκιμάζουν αυτές τις τεχνικές σε συγκεκριμένα σύνολα δεδομένων και αποκαλύπτουν το πως παρέχουν τις επεξηγήσεις για τα μαύρα κουτιά των μοντέλων μηχανικής μάθησης.
|
|---|
