การเปรียบเทียบสำหรับ Regression และ Classification

ลองจินตนาการว่ากำลังอธิบายให้เพื่อนฟังว่าทำไมโมเดล Regression และ Classification จึงถือว่าอธิบายได้ในตัวเอง (inherently explainable)

การเปรียบเทียบใดต่อไปนี้ที่จะช่วยอธิบายแนวคิดนี้ได้ดีที่สุด?

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

แนวคิด Explainable Artificial Intelligence (XAI)

ดูคอร์ส

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำจริง

เปลี่ยนทฤษฎีให้เป็นการลงมือทำด้วยแบบฝึกหัดเชิงโต้ตอบหนึ่งในของเรา

เริ่มแบบฝึกหัด

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

แนวคิด Explainable Artificial Intelligence (XAI)

SkillTag.level.beginnerSkillTag.label

4.8+

เริ่มคอร์สฟรี

บทนี้จะพาทำความรู้จักกับ Explainable AI (XAI) โดยเน้นบทบาทของมันในการทำให้ระบบ AI มีความโปร่งใส ตีความได้ และน่าเชื่อถือ เราจะสำรวจความสามารถของ AI ทั้งในด้านการพยากรณ์และการสร้างเนื้อหา พร้อมเน้นย้ำถึงความสำคัญของกระบวนการตัดสินใจที่ชัดเจน นอกจากนี้ยังจะศึกษาแนวทางที่ช่วยให้โมเดล AI ที่ซับซ้อนเข้าใจง่ายขึ้นสำหรับผู้ใช้งานทุกกลุ่ม

Exercise 1: เหตุใด Explainable AI จึงมีความสำคัญ Exercise 2: ความโปร่งใสหรือการตีความได้Exercise 3: สถานการณ์ที่ตีความได้Exercise 4: วัตถุประสงค์ของ XAI Exercise 5: เทคนิคเชิงลึกของ XAI Exercise 6: ทำความเข้าใจพื้นฐานของ XAI Exercise 7: ความแม่นยำและการตีความได้Exercise 8: การสื่อสารเกี่ยวกับ XAI Exercise 9: การแบ่งกลุ่มผู้ฟัง Exercise 10: สมดุลระหว่างความแม่นยำและความเรียบง่าย

บทนี้จะสำรวจเทคนิคต่าง ๆ ของ Explainable AI (XAI) โดยแบ่งออกเป็นการอธิบายเฉพาะโมเดล การอธิบายที่ไม่ขึ้นกับโมเดล การอธิบายระดับท้องถิ่น และการอธิบายระดับโลก เพื่อทำความเข้าใจกระบวนการตัดสินใจของ AI เราจะพูดถึง regression และ classification สำหรับการอธิบายเฉพาะโมเดล และแนะนำ SHAP กับ LIME สำหรับการตีความ black box model นอกจากนี้ยังกล่าวถึงความซับซ้อนของ Large Language Models (LLMs) และเน้นย้ำถึงความจำเป็นในการสร้างความโปร่งใสในกระบวนการตัดสินใจของโมเดลเหล่านี้

Exercise 1: เทคนิคของ XAI Exercise 2: Local หรือ Global Exercise 3: เฉพาะโมเดลหรือไม่เฉพาะโมเดล Exercise 4: การอธิบายเฉพาะโมเดล Exercise 5: การเปรียบเทียบสำหรับ Regression และ Classification

แบบฝึกหัดปัจจุบัน

Exercise 6: Black box model ในการตัดสินใจ Exercise 7: การอธิบายแบบ Model-agnostic Exercise 8: SHAP, LIME หรือทั้งคู่?Exercise 9: บทบาทของ SHAP และ LIME ใน XAI Exercise 10: ความสามารถในการอธิบาย LLM Exercise 11: ทำความเข้าใจ LLMs Exercise 12: กระบวนการคิดของ LLM

บทนี้จะสำรวจผลกระทบของ XAI ในการทำให้ปัญญาประดิษฐ์เข้าถึงได้ง่ายและใช้งานได้จริงในหลากหลายภาคส่วน การผนวกความสามารถในการอธิบายตั้งแต่ขั้นตอนการออกแบบจะช่วยให้ระบบ AI โปร่งใส สร้างความไว้วางใจ และส่งเสริมความร่วมมือระหว่างมนุษย์กับเครื่องจักรได้ดียิ่งขึ้น ผ่านกรณีศึกษาจากโลกจริง เราจะเห็นว่า XAI ช่วยให้การตัดสินใจของ AI ที่ซับซ้อนเข้าใจได้ง่ายขึ้น และเปิดโอกาสให้ผู้ใช้ทุกระดับทักษะนำข้อมูลเชิงลึกจาก AI ไปประกอบการตัดสินใจได้อย่างมั่นใจ

Exercise 1: การปรับแต่ง AI ให้เหมาะกับผู้ใช้Exercise 2: XAI สำหรับผู้ใช้ปลายทาง Exercise 3: ความเสี่ยงจากการไม่รวมผู้ใช้ปลายทาง Exercise 4: XAI โดยการออกแบบ Exercise 5: การคัดกรองผู้สมัครงาน Exercise 6: การนำ XAI มาใช้ตั้งแต่ขั้นออกแบบ Exercise 7: XAI สำหรับการเรียนรู้ออนไลน์Exercise 8: XAI ในทางปฏิบัติ Exercise 9: ข้อกำหนด XAI ในแต่ละอุตสาหกรรม Exercise 10: การสร้างความเชื่อมั่นในระบบ AI Exercise 11: อนาคตของ XAI Exercise 12: XAI เชิงสหวิทยาการ Exercise 13: การพัฒนาและนำไปใช้อย่างมีความรับผิดชอบ Exercise 14: สรุปเนื้อหา