除了區分在地（local）與全域（global）解釋外，你也可以使用 model-specific 或 model-agnostic 的方法，讓 AI 系統的決策過程更透明、可理解。
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。
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。
當前練習
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。
