کتاب Explainable AI for Practitioners (هوش مصنوعی قابل توضیح برای تمرین‌کنندگان: طراحی و پیاده‌سازی راه‌حل‌های قابل توضیح ML) در 8 فصل به شرح مفاهیم کلیدی و اساسی هوش مصنوعی و کاربرد آن‌ها خواهد پرداخت.
در ادامه مقدمه‌ای از کتاب Explainable AI for Practitioners را از زبان نویسنده شرح خواهیم داد.
مقدمه‌ای بر کتاب Explainable AI for Practitioners:
استفاده از هوش مصنوعی به عنوان ابزاری برای حل چالش‌های دنیای واقعی رشد سریعی را تجربه کرده است و این سیستم‌ها را در همه جا در زندگی ما فرا گرفته است. بیشتر و بیشتر، یادگیری ماشین (ML) برای پشتیبانی از تصمیمات پرمخاطره و استفاده در برنامه‌های کاربردی از مراقبت‌های بهداشتی گرفته تا رانندگی خودران استفاده می‌شود. با این رشد، نیاز به توضیح این سیستم‌های هوش مصنوعی غیرشفاف حتی ضروری‌تر شده است و در بسیاری از موارد، فقدان توضیح‌پذیری مانعی برای برنامه‌هایی است که تفسیرپذیری ضروری است.
کتاب Explainable AI for Practitioners مجموعه‌ای از برخی از مؤثرترین و متداول‌ترین تکنیک‌ها برای توضیح این است که چرا یک مدل ML پیش‌بینی‌هایی را انجام می‌دهد. ما در مورد بسیاری از جنبه‌های هوش مصنوعی قابل توضیح (XAI)، از جمله چالش‌ها، معیارهای موفقیت، و استفاده از مطالعات موردی برای هدایت بهترین شیوه‌ها بحث می‌کنیم. در نهایت، هدف این کتاب این است که شکاف بین حجم وسیعی از کارهایی که در XAI انجام شده است را پر کند و یک مرجع سریع برای پزشکانی که قصد پیاده‌سازی XAI را در گردش کار ML خود دارند، فراهم کند.
چه کسی باید کتاب Explainable AI for Practitioners را بخواند؟
ML و AI مدرن برای حل مشکلات دنیای واقعی بسیار پیچیده استفاده شده‌اند، و توضیح‌پذیری مدل برای هر کسی که با آن مدل‌ها تعامل دارد یا آن‌ها را توسعه می‌دهد، از مهندسان و صاحبان محصولاتی که این سیستم‌ها را می‌سازند تا سهامداران کسب‌وکار و افرادی که در تعامل هستند، مهم است. از آن‌ها استفاده کن. این کتاب برای کسانی است که مایلند بهترین شیوه‌های هوش مصنوعی قابل توضیح را در راه حل‌های ML خود بگنجانند. هرکسی که علاقه مند به توضیح و تفسیر مدل باشد، از بحث‌های این کتاب بهره مند خواهد شد.
همانطور که گفته شد، تمرکز اصلی ما بر روی تمرین‌کنندگان است. یعنی مهندسان و دانشمندان داده که وظیفه ساخت مدل‌ها و روش‌های ML را برای گنجاندن توضیح‌پذیری در جریان کار فعلی خود دارند. این کتاب شما را با کاتالوگی از ایده‌های مربوط به توضیح‌پذیری مدل آشنا می‌کند و کاربران را قادر می‌سازد تا به سرعت در این زمینه مهم و به سرعت در حال تکامل هوش مصنوعی به سرعت بالا بروند.
ما بهترین شیوه‌ها برای اجرای این تکنیک‌ها را مورد بحث قرار می‌دهیم و به شما کمک می‌کنیم تا تصمیمات آگاهانه ای در مورد اینکه کدام تکنیک و چه زمانی استفاده کنید. ما همچنین به تصویر بزرگ نگاه خواهیم کرد و در مورد چگونگی استفاده از XAI در کل گردش کار ML برای کمک به شما در ایجاد راه حل‌های قوی تر ML بحث خواهیم کرد.
این کتاب قرار نیست یک مرجع اساسی در مورد یادگیری ماشین باشد، و به همین دلیل، ما زمانی را صرف بحث در مورد معماری‌های مدل خاص یا جزئیات ساخت مدل نمی‌کنیم. ما فرض می‌کنیم که شما تا حدودی با اصول ML و پردازش داده آشنا هستید. ما این مفاهیم را به محض ظهور مرور می‌کنیم، اما شما را به منابع دیگر ارجاع می‌دهیم تا شکاف‌های باقی‌مانده را پر کنید.
پیمایش در کتاب Explainable AI for Practitioners
فصل‌های ابتدایی کتاب یک نمای کلی در سطح بالا از اصول مربوط به توضیح‌پذیری مدل ارائه می‌دهد و چارچوبی را برای فصل‌های بعدی تنظیم می‌کند. فصل‌های میانی بیشتر بر روی تکنیک‌ها و پیاده‌سازی‌های خاص تمرکز دارند.
فصل‌های بعدی کتاب Explainable AI for Practitioners بر نحوه تعامل با قابلیت توضیح، با در نظر گرفتن ذینفعان، کاربران نهایی و دیگران تمرکز دارند. و چگونه می‌توان از توضیح پذیری برای بهبود کل گردش کار ML استفاده کرد. ما این فصل‌های فنی میانی را بر اساس نوع داده مدل یا مورد استفاده مرتب کرده‌ایم. بنابراین، یک فصل بر تکنیک‌های توضیح‌پذیری برای داده‌های جدولی (فصل 3) تمرکز دارد در حالی که فصل دیگر بر تکنیک‌های بینایی رایانه (فصل 4) یا زبان طبیعی (فصل 5) تمرکز دارد.
دلیل این ساختار متمرکز بر روش داده به این دلیل نیست که تکنیک‌های این فصل‌ها فقط در آن تنظیمات قابل اعمال هستند. اگرچه برخی از تکنیک‌ها بیشتر به یک نوع داده خاص کمک می‌کنند (مانند XRAI برای مدل‌های داده تصویری یا نمودارهای انتظار شرطی فردی برای مدل‌های داده جدولی)، بسیاری از تکنیک‌ها می‌توانند همانطور که هستند یا با تغییرات جزئی برای همه داده‌های مختلف کار کنند.
روش‌ها (به عنوان مثال، LIME و گرادیان‌های یکپارچه). در عوض، ما این ساختار را انتخاب کرده‌ایم، زیرا پیش‌بینی می‌کنیم که اکثر خوانندگان با یک طرز فکر مبتنی بر استفاده به این کتاب برخورد کنند. یعنی احتمالاً مشکل و مجموعه داده ای در ذهن دارید که با آن کار کرده اید و به خوبی می‌دانید. و ساده ترین و سریع ترین نقطه ورود به این دامنه بالقوه جدید از طریق آن زمینه است.
به این ترتیب، می‌توانید به راحتی به سمت تکنیکی برای یک مورد خاص که به آن علاقه‌مند هستید، بروید. البته، همه تکنیک‌ها خود را با یک مورد استفاده منطبق نمی‌کنند، و در صورت امکان، ارجاعات متقابل بین فصل‌ها را برای مکان و نحوه استفاده از آن تکنیک برای انواع مختلف داده‌ها یا ارائه دیدگاهی جایگزین نشان می‌دهیم.
همه اینها به این معنی است که ما خواننده را تشویق می‌کنیم تا تکنیک‌های دیگر را در فصل‌های دیگر بررسی کند، حتی اگر آن‌ها مستقیماً به مشکلی که شما در حال حاضر در ذهن دارید مربوط نباشند. احتمالاً هنوز هم اطلاعات مفید و مرتبطی پیدا خواهید کرد. XAI یک زمینه به سرعت در حال توسعه با تکنیک‌های جدید است که دائماً معرفی می‌شود. هدف ما این است که پس از خواندن این کتاب بتوانید در آن مکالمه مداوم شرکت کنید و در عین حال برای به کارگیری این ایده‌ها در پروژه‌های فعلی یا آینده ML خود مجهز شوید.
کتاب Explainable AI for Practitioners به شرح زیر تنظیم شده است:
• فصل 1 کتاب Explainable AI for Practitioners مقدمه ای بر مفاهیم و اصول اصلی پیرامون توضیح پذیری در یادگیری ماشین ارائه می‌کند. ما در مورد انگیزه‌های قابل توضیح و چگونگی بهره‌مندی افراد مختلف از توضیح‌پذیری، از مهندسان و توسعه‌دهندگان گرفته تا سهامداران تجاری و کاربران نهایی بحث خواهیم کرد.
• فصل 2 یک طبقه بندی سطح بالا از تکنیک‌های مختلف توضیح‌پذیری ارائه می‌دهد تا به عنوان یک نقشه راه ذهنی برای نحوه طبقه بندی و درک این روش‌ها عمل کند.
• فصل‌های 3 تا 6 کتاب Explainable AI for Practitioners بر تکنیک‌های توضیح پذیری خاص تمرکز دارند و بر اساس یک مورد استفاده خاص، از داده‌های جدولی گرفته تا بینایی کامپیوتری و زبان طبیعی، مرتب شده اند. به طور خاص، فصل 6 بر تکنیک‌های پیشرفته و دیدگاه‌های جدید و نوظهور در مورد XAI تمرکز دارد. هر فصل تعدادی تکنیک، مزایا و معایب آن‌ها و ملاحظات پیاده سازی را پوشش می‌دهد.
• فصل 7 کتاب Explainable AI for Practitioners بر جنبه‌های تعامل انسانی توضیح‌پذیری، مانند مشکلات رایج و چگونگی ایجاد بهترین نتایج عملی از یک تکنیک توضیح‌پذیری تمرکز دارد.
• در فصل 8 کتاب Explainable AI for Practitioners، خلاصه و نقشه راه را برای نحوه اعمال این بسته ابزار XAI از تکنیک‌های مختلف تحت پوشش در کتاب در کل گردش کار ML ارائه می‌دهیم. مخزن GitHub برای این کتاب همچنین شامل تمام شکل‌ها به صورت تمام رنگی برای خوانندگان نسخه چاپی است.
سرفصل‌های کتاب Explainable AI for Practitioners:
- Cover
- Copyright
- Table of Contents
- Foreword
- Preface
- Chapter 1. Introduction
- Chapter 2. An Overview of Explainability
- Chapter 3. Explainability for Tabular Data
- Chapter 4. Explainability for Image Data
- Chapter 5. Explainability for Text Data
- Chapter 6. Advanced and Emerging Topics
- Chapter 7. Interacting with Explainable AI
- Chapter 8. Putting It All Together
- Appendix A. Taxonomy, Techniques, and Further Reading
- Index
- About the Authors
- Colophon
جهت دانلود کتاب Explainable AI for Practitioners می‌توانید پس از پرداخت، دریافت کنید.
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.