Μέθοδοι επεξηγήσιμης τεχνητής νοημοσύνης (XAI) και μηχανικής μάθησης
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,...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2023
|
| Θέματα: | |
| Διαθέσιμο Online: | https://hdl.handle.net/10889/25294 |
| id |
nemertes-10889-25294 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-252942023-07-04T04:00:34Z Μέθοδοι επεξηγήσιμης τεχνητής νοημοσύνης (XAI) και μηχανικής μάθησης Methods of explainable artificial intelligence (XAI) and machine learning Καραμπέτσος, Θεμιστοκλής Karampetsos, Themistoklis Επεξηγήσιμη τεχνητή νοημοσύνη Ερμηνεύσιμη μηχανική μάθηση Αντιφατικές επεξηγήσεις Explainable artificial intelligence Interpretable machine learning XAI LIME SHAP Counterfactuals 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. The rapid development of artificial intelligence (AI) and machine learning has brought revolutionary changes to many industries and organizations, making it an integral part of everyday life. Today, AI systems are increasingly being integrated into more and more applications, having reshaped the way people interact with technology. However, a major challenge that arises is the lack of transparency and interpretability in modern machine learning models, as the majority and most useful of them are black boxes, in which even their creators do not know exactly how they work. Particularly in systems involving critical fields, values such as trust, integrity and accountability are of highest importance. Explainable Artificial Intelligence (XAI) is the way to address these issues and provides explanations that contribute to understanding the decision making and predictions of a machine learning model. This thesis aims to investigate and evaluate the methods and techniques of XAI, demonstrating how they work. The concepts related to XAI are presented and its need in the real world is highlighted. In particular, the selected popular methods LIME, SHAP and Counterfactuals are discussed, both on a theoretical and practical level. Examples are given that test these techniques on specific datasets, and reveal how they provide explanations for the black boxes of machine learning models. 2023-07-03T07:35:24Z 2023-07-03T07:35:24Z 2023-06-30 https://hdl.handle.net/10889/25294 el Attribution-NonCommercial-NoDerivs 3.0 United States http://creativecommons.org/licenses/by-nc-nd/3.0/us/ application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Επεξηγήσιμη τεχνητή νοημοσύνη Ερμηνεύσιμη μηχανική μάθηση Αντιφατικές επεξηγήσεις Explainable artificial intelligence Interpretable machine learning XAI LIME SHAP Counterfactuals |
| spellingShingle |
Επεξηγήσιμη τεχνητή νοημοσύνη Ερμηνεύσιμη μηχανική μάθηση Αντιφατικές επεξηγήσεις Explainable artificial intelligence Interpretable machine learning XAI LIME SHAP Counterfactuals Καραμπέτσος, Θεμιστοκλής Μέθοδοι επεξηγήσιμης τεχνητής νοημοσύνης (XAI) και μηχανικής μάθησης |
| description |
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. |
| author2 |
Karampetsos, Themistoklis |
| author_facet |
Karampetsos, Themistoklis Καραμπέτσος, Θεμιστοκλής |
| author |
Καραμπέτσος, Θεμιστοκλής |
| author_sort |
Καραμπέτσος, Θεμιστοκλής |
| title |
Μέθοδοι επεξηγήσιμης τεχνητής νοημοσύνης (XAI) και μηχανικής μάθησης |
| title_short |
Μέθοδοι επεξηγήσιμης τεχνητής νοημοσύνης (XAI) και μηχανικής μάθησης |
| title_full |
Μέθοδοι επεξηγήσιμης τεχνητής νοημοσύνης (XAI) και μηχανικής μάθησης |
| title_fullStr |
Μέθοδοι επεξηγήσιμης τεχνητής νοημοσύνης (XAI) και μηχανικής μάθησης |
| title_full_unstemmed |
Μέθοδοι επεξηγήσιμης τεχνητής νοημοσύνης (XAI) και μηχανικής μάθησης |
| title_sort |
μέθοδοι επεξηγήσιμης τεχνητής νοημοσύνης (xai) και μηχανικής μάθησης |
| publishDate |
2023 |
| url |
https://hdl.handle.net/10889/25294 |
| work_keys_str_mv |
AT karampetsosthemistoklēs methodoiepexēgēsimēstechnētēsnoēmosynēsxaikaimēchanikēsmathēsēs AT karampetsosthemistoklēs methodsofexplainableartificialintelligencexaiandmachinelearning |
| _version_ |
1771297332054196224 |
