你是一位資料科學家，正在為一家醫療新創公司提供顧問服務，該公司致力於開發用於預測病患出院後 30 天內再入院的 AI 模型。客戶堅持選用準確度最高的模型，認為這最符合需求。你已經開發了多個模型，各自具有不同的準確度與可解釋性，現在需要在醫療情境下，為客戶提供最合適的建議。
考量醫療領域對於準確度與可解釋性同樣重要，你會建議客戶選擇下列哪一個選項作為預測病患再入院的最適當模型？
本練習屬於課程
將理論付諸實踐，立即體驗我們的互動練習
我們將探討可解釋 AI（XAI），強調其在讓 AI 系統更透明、可詮釋且值得信任上的角色。我們會說明 AI 在預測與內容生成上的能力，並凸顯清楚決策流程的必要性。此外，我們也會介紹如何讓複雜的 AI 模型更容易被各種背景的受眾理解。
當前練習
我們將介紹可解釋 AI（XAI）技術，並依模型專屬、模型不可知、在地（局部）與全域解釋來分類，藉此釐清 AI 的決策方式。我們會以迴歸與分類說明模型專屬的洞見，並介紹 SHAP 與 LIME 以解讀黑盒模型。此外，我們也會談到大型語言模型（LLM）的複雜性，並強調其決策過程透明化的必要性。
我們將探討 XAI 的轉型影響，如何讓人工智慧在各領域更容易接近且友善易用。從一開始就融入可解釋性，可確保 AI 系統保持透明，建立信任，並促進人機之間更深入的協作。透過真實案例研究，我們將展示 XAI 如何釐清複雜的 AI 決策，讓具備不同技術背景的使用者都能善用 AI 洞見，做出更明智的決策。
